【摘 要】
：
图像配准不仅是图像融合和三维重建中非常重要的中间步骤,同时也在遥感图像和医学影像领域中受到越来越多的关注。因此,对图像配准的方法进行研究具有重要的理论价值以及现实意义。在传统方法使用整幅图像进行配准时,引入无关区域的干扰,并且特征点匹配存在精度不足的现象,为此本文提出基于Faster RCNN的图像配准算法。本文通过改进的Faster RCNN神经网络对参考图像和浮动图像进行感兴趣区域提取,减少了
论文部分内容阅读
图像配准不仅是图像融合和三维重建中非常重要的中间步骤，同时也在遥感图像和医学影像领域中受到越来越多的关注。因此，对图像配准的方法进行研究具有重要的理论价值以及现实意义。在传统方法使用整幅图像进行配准时，引入无关区域的干扰，并且特征点匹配存在精度不足的现象，为此本文提出基于FasterRCNN的图像配准算法。
本文通过改进的FasterRCNN神经网络对参考图像和浮动图像进行感兴趣区域提取，减少了无关区域的干扰。对匹配的特征点使用基于分块双向的方法进行匹配，提高了特征点匹配精度。基于FasterRCNN的图像配准算法研究主要工作内容如下:
介绍神经网络的理论知识和基本结构，使用改进的FasterRCNN神经网络对ROI进行提取。首先通过对图像进行多尺度训练，之后增加映射原图的锚框数量，最后引入在线困难样本学习方法并对改进的FasterRCNN方法进行实验分析，实现ROI提取的鲁棒性。
介绍图像配准基础知识和SIFT方法提取特征点理论，使用改进的特征点匹配算法进行特征点匹配。首先通过双向匹配方法进行特征点粗匹配，之后使用分块方法和随机采样一致性算法进行精匹配，最后用实验进行验证分析。实现高精度特征点匹配的目的。对匹配的特征点进行变换模型估计分析，找到浮动图像需要的变换模型，完成图像配准。
最后，对基于FasterRCNN的图像配准系统进行整体测试。在实验中，完成ROI特征点匹配，接着进行特征变换实验，得到最终的实验结果，实验证明本文方法具有较好的鲁棒性。
其他文献
近年来,随着全球化信息化的到来,产生了海量的数据,与此同时,频繁的数据交流和复杂的系统构建以及数据处理的时效性,对信息的网络传输和存储空间提出更高的要求,可见数据压缩在工业生产生活中越来越重要,数据压缩主要分为有损和无损压缩,其中无损压缩广泛应用于航天、医疗等技术领域。无损压缩中基于字典的压缩以自适应性强、复杂度低、编码效率高等被广泛利用,因此对无损压缩的算法研究具有十分重要的作用和意义。本文从数
当今社会基于人类特征提取的生物认证技术不断发展,说话人识别作为其中之一,是通过发音人的声音来辨别身份的。该生物认证技术也被叫做声纹识别,其核心内容是将语音样本信号中提取出的能代表发音人身份的信息进行处理进而实现对各类别说话人的识别。由于近年来生物认证方法在机器学习的推动下获得了巨大进展,有着广阔的发展前景和重要的研究价值,说话人识别也深受其影响,学者们逐渐从基于传统方法的说话人识别的研究方向转移到
随着指纹识别技术的应用越来越广,人们对其识别效率和准确性要求越来越高,而现实中受采集环境或自身皮肤状况影响仍存在大量低质量指纹图像无法得到有效识别。现有低质量指纹图像识别算法以图像增强为主,在一定程度上能减少伪细节点数目,但经过特征提取后仍会存在大量伪细节点,最终导致整个指纹识别系统的性能下降,使得及时、准确识别低质量指纹图像成为目前亟待解决的一个问题。本文提出一种低质量指纹图像识别算法,该算法主
随着社会的发展和通信与信息处理技术的不断进步,生物识别技术与民众的信息安全联系越发紧密。声纹识别作为生物识别技术的一种,受到越来越多的关注,被广泛应用到手机支付、智能终端、医疗服务以及刑事侦查等领域。但是由于声纹识别的研究较短,所以仍然有很多问题尚未解决。在提取说话人的声纹特征时噪声会使说话人语音频谱发生畸变。传统自然语言处理模型由多个步骤组成,每个步骤是一个独立任务,其结果好坏会影响下一个步骤,
随着软件的规模和复杂程度的不断增加,在软件开发过程中引入缺陷的可能性越来越大。而软件缺陷的存在可能会导致软件无法正常运行,甚至会危及人们的生命和财产。如果能够在软件发行之前发现缺陷,就可以合理有效地分配时间,降低成本和提高软件的质量。在实际的开发中,通常需要预测一个新的项目,或者项目所拥有的标签数据很少,在这种情况下,异构项目的软件缺陷预测应运而生。近年来,迁移学习方法的引入,解决了异构软件缺陷预
在图像处理领域,目标检测算法已经成为了人们的研究重点,并在人类生活中有着广泛的应用。但是现有的算法仍存在一些关键问题。一方面,卷积分类网络是目标检测算法提取图像特征的基础。在提取图像特征时,卷积分类网络自身参数规模大、模型计算复杂。另一方面,被检测的目标对象存在着尺度、大小的多样性,算法对于复杂场景的目标不能有效的识别。本文从理论与地基应用出发,针对存在的问题进行了深入研究,提出了有效的解决方法。
在非协作条件下,通信信号的调制方式识别和参数估计是信号得以正确解调的前提。如今通信环境日渐复杂,信号的调制类型逐渐多样化,这会加大信号调制识别和参数估计的难度。随着计算机算力的提高,在人工智能领域中,深度学习算法渐渐崭露头角,开始在不同的领域得以应用。目前,将深度学习技术应用到调制识别领域已成为该领域的主流研究内容。因此,本文利用深度学习算法对数字信号调制方式的识别和参数估计进行了深入研究,主要研
近年来,卷积神经网络(CNN)在高光谱图像分类领域被广泛应用,其中3D-CNN可针对高光谱图像图谱合一的三维数据特点,同时提取高光谱图像的空谱联合特征,已被证明是一种有效的分类方法。但在运用3D-CNN进行高光谱图像分类时还存在以下问题:1.基于3D-CNN的分类方法需要一个大规模标注的数据集来训练网络,样本数量不足会导致网络产生过拟合现象,降低分类效果。2.光谱信息冗余、存在干扰像素,3D-CN
随着海洋领域的大力发展,声隐身性对于海上工作有着至关重要的作用。开展水下声源定位研究,确定水下声源所处空间的分布情况,研究不同类型声源对水下平台的影响,是进行减振降噪的一个重要过程。随着减振降噪技术的不断发展,水下平台自身辐射的噪声水平越来越低,若仍使用在远场条件下对水下声源的分析方法已经不能准确地获得声源位置信息。相较于窄带声源,宽带声源可以携带更多信息。因此,研究宽带声源的定位方法具有特别重要
随着指纹识别技术在国内外快速发展并被各个领域所应用,人们对指纹识别系统性能的要求也愈来愈高。虽然指纹识别系统已相对成熟,但现有的提取指纹方向场的算法仍然存在问题,指纹图像在曲线角度特别陡的区域方向信息不连续以及没有办法进行准确平滑,在脊线中存在一些空洞或者在谷线上有不定数量的斑点情况下,对于离散类指纹图像无法起到很好的提取效果。本文为解决上述问题,提出一种改进的指纹方向场提取算法。本文根据干涉图样