【摘 要】
：
针对SIFT（Scale Invariant Feature Transformation）算法提取航拍图像特征点过多导致匹配算法效率低和算法中出现误匹配对导致匹配精度低的问题,提出一种通过选择高层特征获得匹配集后使用MSAC（M-Estimate Sample Consensus）算法不同模型筛选匹配集的方法,实现航拍图像匹配。首先,从第二层开始采用高斯金字塔图像提取特征,计算特征之间的点积,取
【基金项目】
：
辽宁省自然科学基金面上项目（No.20170540426）；
论文部分内容阅读
针对SIFT（Scale Invariant Feature Transformation）算法提取航拍图像特征点过多导致匹配算法效率低和算法中出现误匹配对导致匹配精度低的问题,提出一种通过选择高层特征获得匹配集后使用MSAC（M-Estimate Sample Consensus）算法不同模型筛选匹配集的方法,实现航拍图像匹配。首先,从第二层开始采用高斯金字塔图像提取特征,计算特征之间的点积,取点积的反余弦结果并排序;然后,特征点匹配采用高低两个阈值,保留最近邻和第二近邻反余弦值之比小于低阈值的特征,当航拍图像特征变化较大,使用低阈值没有足够的匹配对时,提至高阈值重新匹配,根据阈值不同得到的特征匹配集匹配精度不同;最后,对于特征匹配对中出现的误匹配对,提出依据匹配精度选择不同模型的MSAC算法筛选匹配对,对低阈值得到的匹配精度较高的特征匹配集,使用单应性变换模型进行筛选;对高阈值得到的匹配精度较低的特征匹配集,使用仿射变换模型筛选。实验图像采用8组中等大小的航拍图像（水平,竖直方向像素在400-1000之间）,实验发现,减少图像提取特征点数量后,特征提取效率有较大程度的提高,8幅图像中效率提高在67%到76%之间。在一些匹配精度较高的航拍图像中,采用仿射变换模型会导致特征匹配对集中到某一区域,不利于图像后期拼接、融合等处理,而使用单应性变换模型时特征匹配对分布较为均匀;在匹配精度较低的情况下,仿射变换模型比单应性变换模型得到的结果更稳定。综上,通过选择高层特征进行特征匹配,采用不同模型的MSAC算法对特征匹配集进行筛选的方法,提高了算法的匹配效率和精度。该论文有图30幅,表3个,参考文献56篇。
其他文献
方面级情感分析（Aspect-based Sentiment Analysis,ABSA）作为一种细粒度的情感分析方法,可以对文本特定目标进行相应的情感倾向判定。针对现有基于注意力机制的方面级情感分析方法多关注词的相对位置特征,忽略上下文绝对位置特征的问题,本文提出了一种基于门控卷积神经网络的方面级情感分析模型Pos ATT-GTRU-ABSA。首先,模型使用Laplacian核函数构建相对位置特
音乐流派分类领域中音频特征的流派性表达、特征提取的设计,严重影响分类方法的精度和泛化性,因此提出一种将双注意力融合进行特征提取的深度卷积神经网络（DCNN-AFC）模型,并对音频功率谱图中特征的流派性表达进行增强。首先,为考虑音频功率谱图中音乐流派特征的多样性,在特征提取阶段采用梅尔滤波方法,以模拟人耳听觉系统的滤波器对音频信号进行有效过滤,通过对梅尔滤波后的信号进行维度还原,确保音频信号的流派特
处于电力系统最末端的配电网络是对电能进行分配的重要环节之一,近年来,随着接入配电网的负荷不断增加,配电网结构越加复杂,对配电网络的可靠性的要求也不断提高。采用小电流接地系统的配电网络在发生单相接地故障后虽然可以带故障运行1～2小时,但若不能及时准确确定故障线路故障点,极有可能会引起相间短路,给系统运行带来了极大的安全隐患。实现配电网络快速、准确的故障定位,对整个电力系统安全稳定运行具有十分重要的意
时间序列预测应用于现实世界的方方面面,对时间序列中未来数据的准确预测需要捕获具有代表性的序列特征,而传统的时间序列预测模型对非平稳时间序列预测误差较大,机器学习相关的时间序列预测模型存在预测滞后现象。针对上述问题,提出一种基于CEEMDAN与深度学习的时间序列预测模型。首先将时间序列通过CEEMDAN算法分解为代表不同时间尺度的本征模态函数序列,然后对每一路分解结果使用同比检验策略确定最佳滑动窗口
智能优化算法是以自然界中基本理论或数学模型为基础的一类重要启发式算法,具有对初始条件不敏感、操作简单易于理解且无需限定目标函数等优势,其已成为解决复杂优化问题的有效技术手段,并在优化机器学习算法的应用中凸显高效性和优越性。但智能优化算法通常存在初始化随机性强、局部优化差、关键参数设置固化等劣势,易导致算法逃逸局部极值性能偏弱,全局探索与局部搜索能力平衡性偏差的情况发生。因此,基于最优化理论与机器学
在图像分类领域,深度神经网络已经取得了优异的性能,但训练过程中需要强大算力的图像处理器作为支撑,而且训练的分类模型往往占用较大的内存。随着物联网设备的蓬勃发展,深度神经网络模型越来越需要部署在计算资源有限的小型智能设备上。因此,在嵌入式设备或手机终端上部署性能优良且轻量的网络模型成为研究的热点。针对当前深度学习解决方案在图像分类上大多无法同时兼顾模型的轻量化与准确率。提出一种轻量化的卷积神经网络架
对于核磁共振图像（MRI）、高光谱图像（HSI）和视频序列这样的三维图像,卷积神经网络（CNN）分类时不得不依赖更加复杂的网络结构,且精度提升有限。另外,MRI和HSI具有结构复杂、可用数据量少和空间信息丰富等特点,相比于视频序列图像,不存在通道间的时序性。CNN对此类图像分类存在训练样本少、特征提取不足等问题。目前基于多尺度方法的深度神经网络在图像分类中已经展现出了出色的能力;同时胶囊神经网络凭
随着港口地位的提升,港口物流依托港口的口岸优势,在港口贸易中发挥着不可替代的作用。我国港口为建设自身港口物流,使得沿海港口群的物流发展呈现出不均衡的状况,环渤海港口就是其中之一。一方面,环渤海各港口物流发展受港口资源限制,港口间经常出现竞争;另一方面,在港口建设时出现了定位不清、重复建设等问题,阻碍环渤海港口物流的发展。只有明确各港口之间的竞争优势,才能促进环渤海港口物流的良好发展;同时环渤海物流
遥感影像的语义分割作为遥感影像处理领域的重要研究方向,在土地资源管理、军事目标识别等领域有着广泛的应用。目前基于传统神经网络的语义分割模型不能对遥感影像中的小物体进行更高维度的特征提取,导致分割的错误率较高,分割精度偏低。针对以上问题,提出一种超像素与transformer模型结合的方法对遥感影像进行分割。首先,采用参数网格搜索法,把每种可选参数进行排列组合,使用最小化分割误差为核心的评价方法,把
海量的数据中蕴含着大量的信息,研究人员致力于从海量的数据中提取出有价值的、隐藏的且精简的规则,使其能够用来指导生产实践,形成人工智能决策。知识挖掘已经成为人工智能技术中的一个重要研究领域,经过几十年的研究,知识挖掘理论与应用在发展的同时也面临着极大的挑战,如知识挖掘技术未与特定的应用形成强有力的结合,与特定数据类型存在着适应问题,效率与可解释性不能达到很好的平衡等。以基础创新理论为核心的知识挖掘算