基于区域估计特征增强的图匹配算法研究与应用
发布时间：2022-01-04 07:23
文物是人类物质文明和精神文明的见证和载体,随着现代科技和经济的快速发展,文物的社会和经济价值越来越被大家重视。但因自然灾害、人为破坏和材料老化等原因,珍贵的文物逐渐消失,所以急需保护和修复的相关技术。数字化技术是文物保护和文化传播的一条重要途径,其中基于特征点匹配算法的多视图三维重建技术可更加形象的保存和复原文物外观。但现实中有很多干扰重建效果的因素,输入的图像因为光影、缺少纹理或者遮挡等影响,导致检测到的特征点数目较少、特征点匹配算法不鲁棒以及出现大量误匹配,使后续重建出来的点云模型准确度、完整度得不到保证。所以研究如何获取足够的特征、鲁棒性的特征匹配算法和剔除误匹配算法来提高三维重建技术在文物保护方面的应用效果是目前面临的一个重要问题。本文主要围绕多视图三维重建技术在文物保护方面的三维重建效果,针对多视图三维重建过程中特征不足、特征匹配准确度低、重建完整度不够和误匹配率高这些关键问题进行基础研究和算法改进。本文主要从如下几个方面来开展工作:（1）提出了一种融合图节点局部和全局信息特征增强的图匹配算法,主要是融合图节点局部和全局的空间结构信息来进行特征增强,构造了新的亲和矩阵进行匹配...
【文章来源】：济南大学山东省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
大火中的巴黎圣母院和坍塌的都江堰二王庙近年来随着摄影技术的发明，人类利用照相机、摄像机等设备模拟眼睛获取到大量
基于区域估计特征增强的图匹配算法研究与应用102.2特征跟踪如何从图像中获取到显著特征和计算图像特征之间准确的对应是影响三维重建效果的重要因素。基于特征检测和匹配算法来构造特征跟踪链是处理无序图像集合的经典方法，此类方法包括三个步骤，分别是进行特征的检测、描述和匹配[4]。其中在图像序列之间进行特征点匹配就是构成特征跟踪链的过程，图像对间的特征点进行互匹配构成特征跟踪链。图像两两进行匹配，若有正确对应的特征点总被检测到，可以形成一种链式进行传递，从而构成轨迹。设图像集合是，为图像集的单个图像，图像中的特征点为,图像之间相互匹配以后，把图像中都有的共同特征匹配点串起来形成轨迹[42]。如图2.2所示，特征点1∈1匹配特征点2∈2，特征点2∈2匹配特征点3∈3，若干个特征便形成了一个轨迹{1,2,3,…}[42]。图2.2特征跟踪轨迹传统的多视图特征跟踪算法采用的是强力匹配以及SIFT和SURF类匹配方法，不能满足高精度的要求，也间接影响三维重建的效果。因为大量高性能的特征检测算法和特征匹配算法陆续出现，也进一步推动了三维重建技术的发展。但是特征跟踪是SFM的关键组成部分,仍存在亟待解决的问题,主要反映在特征匹配精度低和特征误匹配率高等方面。本论文的研究的图匹配算法针对这些问题进行了基础研究。2.2.1特征检测和描述由摄像机、手机相机等成像设备获取的图像是由一个一个像素组成的，在进行图像的特征匹配之前，首先需要获取图像的显著特征点。利用特征检测算法得到的图像特征点包含了图像中的位置、颜色等信息能够很好的代表图像。特征检测算法的效率和对图像变形噪声、光影和遮挡干扰具有鲁棒性在三维重建过程中的重要因素。经典
济南大学硕士学位论文11的SIFT和SURF算法依然被用于VisualSFM、Bunder、Colmap等三维重建系统广泛使用。经典的SIFT算法被广泛使用，主要是因为其在图像发生旋转变形、仿射变换和尺度变化时具有较强的鲁棒性和相对稳定性。SIFT算法获取图像特征点的过程包括：检测极值点、定位特征点、确定特征点的主方向以及构建显著点的特征描述符[44]。SIFT算法有针对性地对图像局部区域进行特征检测，获取到的特征包含整幅图像的特征点、相应的尺度信息和旋转信息。SIFT算法的改良版有很多，SURF算法就是其中一个，其特征提取方法的优势是在保证了SIFT算法的高鲁棒性基础上又大大提高了提取图像特征的效率，在SURF算法检测特征点这个过程中通常分五个步骤。第一步是建立相应的积分图像，构建Hessian矩阵为提取特征做准备，即确定特征点的位置信息。设一幅图像为(,)，相应的Hessian矩阵表示如下：((,))=[222222](2.1)Hessian矩阵的判别式是()=222222，先对图像使用高斯滤波之后再构建Hessian矩阵，高斯滤波之后的公式为：(,,)=[(,,)(,,)(,,)(,,)](2.2)其中(,,)为尺度空间，(,)为像素的位置。SURF算法使用盒式滤波器来提高计算速度，如图2.3所示盒式滤波器和高斯滤波器的示意图。图2.3盒式滤波器和高斯滤波器
【参考文献】：
期刊论文
[1]巨野永丰塔法式特征及价值[J]. 郑洋坤. 中国地名. 2019(11)
[2]多元异构的数字文化——敦煌石窟数字文化呈现与展示[J]. 吴健. 敦煌研究. 2016(01)
[3]一种新的基于Kruppa方程的摄像机自标定方法[J]. 雷成,胡占义,吴福朝,TSUI H T. 计算机学报. 2003(05)
[4]Kruppa方程与摄像机自标定[J]. 雷成,吴福朝,胡占义. 自动化学报. 2001(05)
[5]基于实拍图像的人脸真实感重建[J]. 梅丽,鲍虎军,郑文庭,彭群生. 计算机学报. 2000(09)
博士论文
[1]数据驱动的多视图三维重建[D]. 曹明伟.合肥工业大学 2017
硕士论文
[1]基于改进SURF算法的图像匹配[D]. 敖天慈.大连理工大学 2019
[2]多视图3D场景重建算法及应用[D]. 张家瑞.西安电子科技大学 2018
[3]基于多视图的点云三维重建及其并行化研究[D]. 曹静.河南大学 2017
[4]基于多幅图像的物质文化遗产三维重建[D]. 黄明伟.福州大学 2016
本文编号：3567935
【文章来源】：济南大学山东省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
大火中的巴黎圣母院和坍塌的都江堰二王庙近年来随着摄影技术的发明，人类利用照相机、摄像机等设备模拟眼睛获取到大量
基于区域估计特征增强的图匹配算法研究与应用102.2特征跟踪如何从图像中获取到显著特征和计算图像特征之间准确的对应是影响三维重建效果的重要因素。基于特征检测和匹配算法来构造特征跟踪链是处理无序图像集合的经典方法，此类方法包括三个步骤，分别是进行特征的检测、描述和匹配[4]。其中在图像序列之间进行特征点匹配就是构成特征跟踪链的过程，图像对间的特征点进行互匹配构成特征跟踪链。图像两两进行匹配，若有正确对应的特征点总被检测到，可以形成一种链式进行传递，从而构成轨迹。设图像集合是，为图像集的单个图像，图像中的特征点为,图像之间相互匹配以后，把图像中都有的共同特征匹配点串起来形成轨迹[42]。如图2.2所示，特征点1∈1匹配特征点2∈2，特征点2∈2匹配特征点3∈3，若干个特征便形成了一个轨迹{1,2,3,…}[42]。图2.2特征跟踪轨迹传统的多视图特征跟踪算法采用的是强力匹配以及SIFT和SURF类匹配方法，不能满足高精度的要求，也间接影响三维重建的效果。因为大量高性能的特征检测算法和特征匹配算法陆续出现，也进一步推动了三维重建技术的发展。但是特征跟踪是SFM的关键组成部分,仍存在亟待解决的问题,主要反映在特征匹配精度低和特征误匹配率高等方面。本论文的研究的图匹配算法针对这些问题进行了基础研究。2.2.1特征检测和描述由摄像机、手机相机等成像设备获取的图像是由一个一个像素组成的，在进行图像的特征匹配之前，首先需要获取图像的显著特征点。利用特征检测算法得到的图像特征点包含了图像中的位置、颜色等信息能够很好的代表图像。特征检测算法的效率和对图像变形噪声、光影和遮挡干扰具有鲁棒性在三维重建过程中的重要因素。经典
济南大学硕士学位论文11的SIFT和SURF算法依然被用于VisualSFM、Bunder、Colmap等三维重建系统广泛使用。经典的SIFT算法被广泛使用，主要是因为其在图像发生旋转变形、仿射变换和尺度变化时具有较强的鲁棒性和相对稳定性。SIFT算法获取图像特征点的过程包括：检测极值点、定位特征点、确定特征点的主方向以及构建显著点的特征描述符[44]。SIFT算法有针对性地对图像局部区域进行特征检测，获取到的特征包含整幅图像的特征点、相应的尺度信息和旋转信息。SIFT算法的改良版有很多，SURF算法就是其中一个，其特征提取方法的优势是在保证了SIFT算法的高鲁棒性基础上又大大提高了提取图像特征的效率，在SURF算法检测特征点这个过程中通常分五个步骤。第一步是建立相应的积分图像，构建Hessian矩阵为提取特征做准备，即确定特征点的位置信息。设一幅图像为(,)，相应的Hessian矩阵表示如下：((,))=[222222](2.1)Hessian矩阵的判别式是()=222222，先对图像使用高斯滤波之后再构建Hessian矩阵，高斯滤波之后的公式为：(,,)=[(,,)(,,)(,,)(,,)](2.2)其中(,,)为尺度空间，(,)为像素的位置。SURF算法使用盒式滤波器来提高计算速度，如图2.3所示盒式滤波器和高斯滤波器的示意图。图2.3盒式滤波器和高斯滤波器
【参考文献】：
期刊论文
[1]巨野永丰塔法式特征及价值[J]. 郑洋坤. 中国地名. 2019(11)
[2]多元异构的数字文化——敦煌石窟数字文化呈现与展示[J]. 吴健. 敦煌研究. 2016(01)
[3]一种新的基于Kruppa方程的摄像机自标定方法[J]. 雷成,胡占义,吴福朝,TSUI H T. 计算机学报. 2003(05)
[4]Kruppa方程与摄像机自标定[J]. 雷成,吴福朝,胡占义. 自动化学报. 2001(05)
[5]基于实拍图像的人脸真实感重建[J]. 梅丽,鲍虎军,郑文庭,彭群生. 计算机学报. 2000(09)
博士论文
[1]数据驱动的多视图三维重建[D]. 曹明伟.合肥工业大学 2017
硕士论文
[1]基于改进SURF算法的图像匹配[D]. 敖天慈.大连理工大学 2019
[2]多视图3D场景重建算法及应用[D]. 张家瑞.西安电子科技大学 2018
[3]基于多视图的点云三维重建及其并行化研究[D]. 曹静.河南大学 2017
[4]基于多幅图像的物质文化遗产三维重建[D]. 黄明伟.福州大学 2016
本文编号：3567935
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3567935.html
最近更新
教材专著
