一种改进PCA-SIFT和粒子群优化的图像匹配算法

论文摘要

图像匹配里传统的尺度不变特征变换（SIFT）因为存在数量与维数相对较多,导致出现计算量大匹配时间长的问题。故提出了一种基于PCA-SIFT的改进算法。该算法采用了一种圆形描述符对SIFT降维,同时利用主成分分析（PCA）法对描述符进一步降维,以此来减少描述符的维度带来的大量数据;在匹配时通过分层粒子群算法优化欧式距离与余弦相似度函数,根据粒子的差异性进行分阶层处理,寻找函数的极值,以此找到匹配点;通过实验对比发现特征点减少了5%～10%,时间也相对减少,改进的PCA-SIFT匹配算法可以有效地提升匹配的准确率。

论文目录

• 1 引言
• 2 SIFT特征点检测
• 3 改进PCA-SIFT法
•   3.1 新算法描述符
•   3.2 主成分分析法
• 4 分层粒子群优化算法
•   4.1 粒子群算法
•   4.2 分层粒子群
•   4.3 采用分层粒子群进行匹配
• 5 实验与结果分析
• 6 结论

文章来源

类型: 期刊论文

作者: 杨友良,王梓任,马翠红

关键词: 尺度不变特征变换,主成分分析,分层粒子群算法,粒子差异性,图像匹配

来源: 激光杂志 2019年12期

年度: 2019

分类: 信息科技

专业: 计算机软件及计算机应用,自动化技术

单位: 华北理工大学电气工程学院

基金: 国家自然科学基金资助项目(No.61171058)

分类号: TP391.41;TP18

DOI: 10.14016/j.cnki.jgzz.2019.12.053

页码: 53-57

总页数: 5

文件大小: 860K

下载量: 220