一种基于自生成仿真图像的稳定特征点提取新方法

近来，图像处理在摄影测量学，医学图像处理等领域中引起了很多关注。匹配在不同时间，通过不同相机或从不同角度拍摄的同一场景的两个或多个图像是流行且重要的。问题。 特征提取在图像匹配中起着重要的作用。 传统的SIFT检测器通过消除低对比度和边缘响应点来消除不稳定点。 缺点是需要手动设置阈值。 本文的主要思想是通过机器学习算法获得稳定的极值。 首先，我们使用ASIFT方法结合光线变化和模糊来生成多视图模拟图像，这些图像组成了原始图像的模拟图像集。 根据生成模拟图像集的方式，每个生成图像的仿射变换也是已知的。 该方法比包含不稳定的RANSAC方法进行仿射变换的传统匹配过程更稳定，更准确。 其次，我们通过图像的仿射变换来计算特征点的稳定性值。 然后我们得到特征点的不同特征属性，例如DOG特征，比例尺，边缘点密度等。这两个构成训练集，而稳定性值是因变量，特征属性是自变量。 最后，采用Rank-SVM进行训练。 我们将得到一个权重向量。 在使用中，根据每个点的特征属性和训练得到的权重向量，得到每个特征点的排序值，该值是指稳定性值，然后对这些特征点进行排序。 总之，我们将我们的算法和原始的SIFT检测器进行了比较。 尽管在不同的视图中发生了变化，模糊，照明，但实验结果表明我们的算法更有效，这不足为奇。