基于FREAK圖像配準算法
大?。?/span>0.79 MB 人氣： 2017-12-08 需要積分：2
標簽：圖像配準(8127)
快速視網膜特征（ FREAK）描述子通過計算模式方向實現了旋轉不變性，但對于旋轉尺度變化較大的情況匹配性能并不理想，誤匹配率較高，為此提出了一種改進的基于FREAK描述子的精確圖像配準算法。首先，對原有FREAK算法添加長距離點對，設定距離閾值，只利用關鍵點采樣模式中距離較遠的點來生成角度信息。其次，對Hamming距離進行加權。對每一個關鍵點，在為了生成描述子選擇點對時，對訓練數據描述子的每一列計算均值，越接近0.5的列權值越大，改進了原來Hamming距離計算粗略的狀態，使距離計算更精確。最后，使用最近鄰匹配結合最近鄰和次近鄰的比值以及隨機抽樣一致（ RANSAC）方法進行快速匹配和優化。實驗結果表明，改進算法更適用于旋轉尺度變化較大的環境及匹配性能要求較高的場合。
目標匹配、圖像拼接、3D重建、目標識別等計算機視覺應用都依賴于圖像配準。圖像配準的通用方法是提取圖像中的關鍵點進行比對處理。尋找有效的關鍵點描述子，使其對尺變變換、旋轉變換、仿射變換和噪音等都具有較高的魯棒性，成為近十幾年的研究熱點。隨著大數據的發展和視覺算法在智能手機及嵌入式設備上的應用，使描述子同時具備簡潔的描述方式、良好的表征能力和快速的比對計算過程，成為新的研究趨勢。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
基于FREAK圖像配準算法下載
相關電子資料下載
- 機器視覺：圖像配準方法分類 1057
- 預訓練擴散大模型取得點云-圖像配準SoTA！ 452
- 機器視學習筆記：圖像配準 566
- RGBD相機的標定和圖像配準 2023
- 圖像處理如何解析圖像配準經典難題 450
- 淺談醫學成像技術及醫學圖像配準的評價 2941
- 針對視覺SLAM的VO穩定的圖像配準算法解析 769
- 一篇關于CVPR‘21使用RL做點云圖像配準 3009