论文部分内容阅读
图像配准就是将不同时间、不同条件(拍摄角度、曝光强度等)或不同成像设备下获取的图像进行匹配、叠加的过程。本文根据图像配准两个不同应用领域存在的问题,对NCC(Normalized Cross Correlation)与SIFT(Scale Invariant Feature Transform)两种配准算法分别改进,提出PNCC(Particle Swarm Optimization-Based NCC)与FSIFT(Features from Accelerated Segment-Based SIFT)算法。1)针对圆盘锯片齿宽与齿距测量问题中匹配精度高、速度快的要求,提出PNCC算法。因为NCC不需要提取特征,所以适用于解决视觉测量中模板匹配问题。为克服由搜索策略导致的配准时间长的缺点,将PSO与NCC相结合,引导NCC系数向最大值跳跃前进。同时,为克服PSO存在易收敛至局部最优值的缺点,首先,引入基于区域的附属粒子群,引导主粒子群快速收敛至全局最优;其次,通过加入黑名单机制,使其具有跳出局部最优解的能力;最后,通过增加随机扰动算子,达到增大搜索区域的目的。实验结果表明,PNCC算法运行时间短、匹配精度高,将其应用至本文提出的圆盘锯片齿宽与齿距视觉测量流程后,取得了较高精度。2)针对航拍图像拼接融合问题中配准精度高、实时性强的要求,提出FSIFT算法。因为SIFT需要提取特征,所以适用于解决航拍图像拼接融和配准问题。为克服提取的关键点及其局部特征向量鲁棒性不高的缺点,借助FAST角点增强SIFT特征向量的独特性,增加关键点匹配鲁棒性。同时,通过匹配点间角度差、高斯层数差与匹配点连线角度差三种几何约束,优化匹配结果。实验结果表明,FSIFT可应用于存在仿射、投影变换等复杂模版匹配情况,弥补了PNCC算法不足,并且有效降低了关键点误匹配率,减少了运行时间,将其应用至航拍图像拼接融合后,取得了较好的融合效果。