针对尺度不变特征变换(SIFT)算法在关键点(即尺度空间稳定的极值点)特征描述向量计算复杂且维数较高, 以及多项式确定性矩阵测量数取值受限等现象, 提出一种分块多项式确定性矩阵的SIFT图像配准算法。通过压缩感知的稀疏表示方法, 将SIFT提取的高维描述子向量降维到低维的稀疏特征向量, 降低了关键点描述向量维度, 并采取欧氏距离对图像关键点特征描述向量进行相似性度量。与传统算法的针对性比对分析表明, 改进算法有效提升了配准精度, 增强了实时性。
图像配准 分块多项式确定性矩阵 压缩感知 image registration SIFT SIFT block polynomial deterministic matrix compressive sensing
1 广东第二师范学院物理系, 广东 广州 510310
2 中山大学信息科学与技术学院, 广东 广州 510310
考虑到随机测量矩阵存在硬件上存在无法实现的缺陷，结合压缩感知的稀疏投影理论，提出了基于多项式确定性矩阵的尺度不变特征变换（SIFT）医学图像配准算法。通过增加方向梯度数提高特征向量的有效性，利用测量数为7的多项式确定性矩阵对关键点特征向量进行降维，用欧式距离作为特征向量匹配的相似性度量，kd数据结构避免穷举。实验结果表明，该算法和传统SIFT算法及几种改进的SIFT算法相比，配准性能有了显著提高，同时确定性矩阵有利于图像配准系统的硬件实现。
图像处理 图像配准 压缩感知 特征提取 多项式确定性矩阵 激光与光电子学进展
2016, 53(8): 081002
安徽大学 计算智能与信号处理教育部重点实验室, 安徽省现代成像与显示技术重点实验室, 合肥 230039
针对可分离压缩传感使用的可分离随机正交矩阵在处理大尺度图像等高维信号感知时难度太大或成本过高的问题, 引入确定性测量矩阵, 提出确定性矩阵可分离压缩传感, 可将如托普利兹矩阵及循环矩阵等具有确定性结构的矩阵作为可分离压缩传感的左、右可分离矩阵.该方案可以降低独立元素的数目, 从而显著降低前端物理实现的难度与成本.数值模拟实验分别评估了该方法在不同采样率及不同图像尺寸下的压缩重建性能, 结果表明该方法在独立元素非常少的情形下得到与原随机正交矩阵相近的重建质量, 证明了其可行性.
压缩传感 压缩成像 可分离压缩传感 随机正交矩阵 确定性矩阵 Compressive sensing Compressive imaging Separable compressive sensing Random orthogonal matrix Deterministic matrix
