买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京林业大学

摘要：本发明公开了一种融合主成分分析与双堆过滤的降维并行图像特征匹配算法，包括：采用主成分分析法将原始空间中的图像中的参考特征点集合和另一幅图像中的查询特征点集合投影至低维PCA空间；在PCA空间中，将参考特征点集合R′划分为w个子集；采用双堆过滤算法分别对w个子集中的参考特征点进行过滤，生成每个子集的k最近邻结果；将每个子集的k最近邻结果依次添加至最大堆中，调整最大堆使得最大堆内生成k最近邻结果。本发明采用主成分分析法将特征点集投影至低维空间，并采用计算成本更低的平方欧氏距离进行排名估计；使用双堆过滤算法对特征点进行提纯，保证了特征匹配的精度；采用了并行结构，提高了图像特征点的匹配速度。

主权项：1.一种融合主成分分析与双堆过滤的降维并行图像特征匹配算法，其特征在于，包括以下步骤：步骤1、将待匹配的两幅图像分别记为和，图像中的特征点记为查询特征点，图像中的特征点记为参考特征点；步骤2、采用主成分分析法将原始空间中的图像中的参考特征点集合和图像中的查询特征点集合投影至低维PCA空间，分别得到投影后的参考特征点集合和查询特征点集合；步骤3、判断在参考特征点集合中，是否存在与查询特征点集合查询特征点正确匹配的参考特征点：步骤3.1、在PCA空间中，将参考特征点集合划分为个子集；查询特征点投影至低维PCA空间的投影点记为查询特征点；步骤3.2、采用双堆过滤算法分别对个子集中的参考特征点进行过滤，生成每个子集的最近邻结果；具体为：步骤3.2.1、在PCA空间中，计算单个子集中所有参考特征点与查询特征点之间的平方欧氏距离值，将个最近邻对应的平方欧氏距离值按照从小到大进行排序，形成过滤堆；在原始空间中，计算该子集中所有参考特征点与查询特征点之间的欧氏距离值，将个最近邻对应的欧氏距离值按照从小到大进行排序，形成验证堆；步骤3.2.2、过滤单个参考特征点：在PCA空间中，计算某个参考特征点与查询特征点之间的平方欧氏距离值；若该平方欧氏距离值大于等于过滤堆中的距离最大值，则舍弃该参考特征点；否则，计算在原始空间中该参考特征点与查询特征点之间的欧氏距离值，若该欧氏距离值大于等于验证堆中的距离最大值，则舍弃该参考特征点；否则，将在步骤3.2.2中的PCA空间中计算的平方欧氏距离值插入过滤堆中进而替换过滤堆中的距离最大值并重新进行排序，得到新的过滤堆，用新的过滤堆替换原来的过滤堆，将在步骤3.2.2中的原始空间中计算的欧氏距离值插入验证堆中进而替换验证堆中的距离最大值并重新进行排序，得到新的验证堆，用新的验证堆替换原来的验证堆；步骤3.2.3、返回步骤3.2.2，分别对子集中每个参考特征点进行过滤，得到最新的过滤堆，根据最新的过滤堆中的距离值排序，选取个最近邻对应的平方欧氏距离值，即为子集的最近邻结果；步骤3.3.4、返回步骤3.2.1，按照步骤3.2.1-步骤3.2.3的方法分别对个子集中的参考特征点进行过滤，生成每个子集的最近邻结果；步骤3.3、将每个子集的最近邻结果依次添加至最大堆中，调整最大堆使得最大堆内生成最近邻结果；步骤3.4、选取最大堆内的k最近邻结果中与查询特征点最近的参考特征点，并计算其与查询特征点的像素距离，若该像素距离小于或小于等于预设像素，则判定该参考特征点在原始空间中对应的点为查询特征点正确匹配的参考特征点，否则，则判定参考特征点集合中，不存在与查询特征点正确匹配的参考特征点；步骤4、按照步骤3的方法，分别判断查询特征点集合每个查询特征点是否存在正确匹配的参考特征点，进而获得所有正确的匹配点对，进而实现图像与图像的特征匹配。

全文数据：

权利要求：

百度查询： 南京林业大学 融合主成分分析与双堆过滤的降维并行图像特征匹配算法