稠密图像块匹配方法及其应用

发布时间：2017-09-09 12:31

  本文关键词：稠密图像块匹配方法及其应用

  更多相关文章： 图像匹配 稠密匹配 块匹配 多曝光融合 稀疏特征 颜色转换 视频协同分割 三维重建

【摘要】：图像匹配(Image Matching)是计算机视觉、图形图像处理、模式识别等领域中最基础的研究方向之一,具有重要的理论和应用价值。图像匹配的方法有很多种,可以分成很多类别,而且分类方式又各不相同。一般情况下,图像匹配的方法可以分为基于特征的匹配和稠密的匹配。其中,稠密图像匹配建立图像间的稠密对应关系,是现在研究的热点。它在图像/视频编辑、三维重建、智能视频监控、图像/视频检索、图像/视频分割等领域有着广泛的应用。由于图像间存在许多不同的变换,如平移、旋转、尺度变化、颜色增益与偏移、非刚体形变等,设计鲁棒的稠密匹配方法一直是图像匹配领域中的难点。本文以图像块为基础,在考虑上述变换的基础上,研究如何构建有效的稠密匹配方法,以及其对应的不同应用。本文提出了一种同时实现多幅图像的稠密块匹配和多曝光融合算法,目的是针对包含移动场景或者移动物体的多曝光输入图像序列,构建统一的匹配融合框架。该方法以图像块为基础,在统一的迭代框架下,搜索不同曝光图像之间对应的图像块,同时将它们融合。由于图像序列是在不同曝光时间下采集的,利用单个像素的值计算相似性会有很大的扰动,该方法设计一种基于图像块的能量函数并对其进行优化,以提高匹配的准确率。不同于以往的图像多曝光融合方法,该方法提出以随机游走算法融合图像块,消除了移动场景或者移动物体对融合的影响。在不同数据集上的定性与定量分析表明,上述匹配融合框架可以有效地处理带有移动场景或者移动物体的多曝光输入图像序列。本文提出了一种结构化块的表示方法并用于稠密的图像匹配,用于处理图像之间的不同变换,如颜色变化、尺度、平移以及畸变等带来的影响。该方法考察图像的两点特性：1.稀疏特征点在提取的过程中包含了不同的变换；2.相近的子场景和图像块包含更多的相似信息,设计一种能量优化的方式引导图像的稠密匹配。另一方面,该方法结合稀疏特征点与稠密图像块,设计一种结构化块的表示方法,并将它融入到上述能量优化的框架中。为了解决图像块匹配的扰动,该方法提出局部求精的策略以提高图像块匹配的准确率。在实验过程中,不仅在不同数据集上测试该方法,同时将其应用于多种不同的实际问题中,证明了该方法可以有效地找到图像之间的稠密对应关系。本文又提出了一种基于协同分割的物体重建方法。以图像稠密匹配为基础,构造统一的优化框架,实现多个视频中前景物体的三维重建。该方法在无监督的前提下,同时实现多个视频中前景物体的分割和重建。考虑前景物体在视频内和视频之间的一致性约束,该方法设计一种稠密图像块匹配方法建立视频之间的对应关系,并且计算视频内部连续两帧间的稠密匹配关系。在视频处理过程中,后续视频帧的分割和重建以前面结果为初值。为了确保准确性,该方法提出一种模型更新的策略对前景物体的分割求精。在不同开放数据集上的实验表明,该方法是有效的且可以得到稠密的重建结果。
【关键词】：图像匹配 稠密匹配 块匹配 多曝光融合 稀疏特征 颜色转换 视频协同分割 三维重建
【学位授予单位】：北京理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要5-7
• ABSTRACT7-15
• 第1章 绪论15-19
• 1.1 研究意义15-16
• 1.2 研究内容16-18
• 1.3 论文结构18-19
• 第2章 图像匹配研究现状19-29
• 2.1 基于特征的图像匹配19-21
• 2.1.1 特征提取19-20
• 2.1.2 特征匹配20-21
• 2.2 局部的图像匹配21-23
• 2.2.1 立体匹配21-22
• 2.2.2 光流22
• 2.2.3 基于特征匹配的局部图像匹配22-23
• 2.3 全局的图像匹配23-24
• 2.4 稠密的图像匹配24-29
• 2.4.1 相关工作24-25
• 2.4.2 相关应用25-29
• 第3章 动态场景下的图像块匹配和多曝光融合29-57
• 3.1 引言29-30
• 3.2 图像块匹配和多曝光融合问题描述30-32
• 3.3 块匹配32-36
• 3.3.1 匹配代价函数设计32-35
• 3.3.2 匹配可靠度计算35-36
• 3.4 多曝光融合36-39
• 3.4.1 问题描述36-37
• 3.4.2 基于图像块的多曝光融合37-39
• 3.5 迭代求解匹配融合39-44
• 3.5.1 匹配融合的迭代优化39-43
• 3.5.2 遮挡43-44
• 3.6 实验结果44-55
• 3.6.1 实验设置45
• 3.6.2 定性分析45-53
• 3.6.3 定量分析53-55
• 3.7 本章小结55-57
• 第4章 基于结构化块的稠密匹配方法57-83
• 4.1 引言57-59
• 4.2 结构化块图像匹配59-60
• 4.3 结构化块60-64
• 4.3.1 稠密像素61-63
• 4.3.2 稀疏特征点63-64
• 4.4 稠密信息64-66
• 4.4.1 图像块匹配64-65
• 4.4.2 场景特征匹配65-66
• 4.5 优化求解66-67
• 4.6 局部求精(Local Refinement)67-68
• 4.7 实验结果68-81
• 4.7.1 参数配置70-71
• 4.7.2 数据库Video Pair上的对比实验71-75
• 4.7.3 数据库Caltech-101上的对比实验75-77
• 4.7.4 应用实例77-81
• 4.8 本章小结81-83
• 第5章 基于协同分割的多视频目标重建83-101
• 5.1 引言83-85
• 5.2 多视频目标分割和重建85-87
• 5.3 初始化目标分割区域87-88
• 5.4 稠密图像块优化88-94
• 5.4.1 匹配图像块88-92
• 5.4.2 平滑性计算92-94
• 5.5 基于稠密图像块优化的多视频目标分割与重建94-95
• 5.6 实验结果95-99
• 5.6.1 实验设计96
• 5.6.2 分析与对比96-99
• 5.7 本章小结99-101
• 第6章 结论与展望101-105
• 6.1 工作总结101-102
• 6.2 未来工作展望102-105
• 参考文献105-117
• 攻读博士学位期间发表的论文117-119
• 攻读博士学位期间申请的专利119-121
• 攻读博士学位期间参加的科研项目121-123
• 致谢123-125
• 作者简介125

【相似文献】

中国期刊全文数据库 前10条

1 顾勇;张灿果;龚志广;;基于图像块分割融合算法在医学图像中的应用[J];河北建筑工程学院学报;2007年02期

2 李天伟;黄谦;郭模灿;何四华;;图像块混沌特征在海面运动目标检测中的应用[J];中国造船;2011年02期

3 李军;部分图像块的显示及特技制作技巧[J];电脑编程技巧与维护;1997年04期

4 李生金;蒲宝明;贺宝岳;王维维;;基于图像块的滞留物/移取物的检测方法[J];小型微型计算机系统;2014年01期

5 赵德斌;陈耀强;高文;;基于图像块方向的自适应无失真编码[J];模式识别与人工智能;1998年01期

6 陈琦,李华,朱光喜;一种新的应用于屏幕共享的图像块识别算法[J];电讯技术;2000年06期

7 刘尚翼;霍永津;罗欣荣;白仲亮;魏林锋;项世军;;基于图像块相关性分类的加密域可逆数据隐藏[J];武汉大学学报(理学版);2013年05期

8 陈奋,闫冬梅,赵忠明;一种快速图像块填充算法及其在遥感影像处理中的应用[J];计算机应用;2005年10期

9 马文龙,余宁梅,银磊,高勇;图像块动态划分矢量量化[J];计算机辅助设计与图形学学报;2005年02期

10 李维钊,王广伟;图像块平坦测度与系数扫描方式选择[J];山东电子;2000年04期

中国重要会议论文全文数据库 前2条

1 李赵红;侯建军;宋伟;;基于图像块等级模型的多重认证水印算法[A];第八届全国信息隐藏与多媒体安全学术大会湖南省计算机学会第十一届学术年会论文集[C];2009年

2 钟凡;莫铭臻;秦学英;彭群生;;基于WSSD的不规则图像块快速匹配[A];中国计算机图形学进展2008--第七届中国计算机图形学大会论文集[C];2008年

中国博士学位论文全文数据库 前3条

1 钦夏孟;稠密图像块匹配方法及其应用[D];北京理工大学;2015年

2 霍雷刚;图像处理中的块先验理论及应用研究[D];西安电子科技大学;2015年

3 宋伟;几类数字图像水印算法的研究[D];北京交通大学;2010年

中国硕士学位论文全文数据库 前10条

1 张书扬;基于冗余字典的图像压缩感知技术研究[D];吉林大学;2016年

2 魏谱跹;基于图像块特征的焊缝识别算法研究[D];西安科技大学;2014年

3 杭仁龙;基于主动学习的遥感图像分类研究[D];南京信息工程大学;2014年

4 刘尚翼;加密域可逆信息隐藏研究[D];暨南大学;2014年

5 张晓旭;图像内容可恢复的变容量脆弱水印算法研究[D];西南交通大学;2014年

6 徐兆涵;人脸识别中寻找人脸结构对称性的方法[D];浙江工业大学;2003年

7 王荣丽;基于半监督学习的目标跟踪方法研究[D];浙江师范大学;2015年

8 陆杰;使用自组织增量神经网络实现单层非监督特征学习[D];南京大学;2015年

9 程宝田;基于精细认证和迭代补偿机制的数字图像认证与恢复算法[D];北京交通大学;2012年

10 梁阳;基于子空间学习的人脸模态变换[D];浙江大学;2013年

，

本文编号：820463