针对目前图像特征匹配中存在不同程度误匹配的问题, 提出了一种KAZE结合感知哈希的图像匹配算法。首先采用KAZE算法提取图像特征点并匹配, 然后使用感知哈希算法筛选提纯初始匹配对, 最后运用随机抽样一致(RANSAC)算法再次筛选, 得到最终的匹配结果。在Mikolajczyk标准图像集上的实验结果表明, 该算法在图像发生旋转缩放、光照变换、模糊以及JPEG压缩等变化下均能够保持较高的匹配正确率, 具有良好的可靠性和鲁棒性。

针对KAZE算法在遥感图像配准过程中存在的检测速度慢和误匹配的问题, 本文提出了一种改进的基于信息熵约束和KAZE特征提取的预处理算法。首先采用非重叠滑动窗口遍历遥感图像并分割窗口, 计算分割后窗口区域的信息熵。然后,根据获取的信息熵形成的直方图, 选取适当阈值来保留具有高信息熵的图像局部区域用于KAZE算法特征提取。最后, 采用RANSAC算法去除误匹配以优化匹配结果。在SPOT、高分二号等卫星数据上的实验结果表明, 本文算法相比于KAZE算法的特征点匹配精度分别提升了0.2%和0.3%, 算法运行时间分别降低了70%和53%。

数字图像相关(DIC)法中初值选取的好坏对图像亚像素位移的搜索效率、算法的收敛速度有着很大的影响。提出了一种基于KAZE特征匹配的数字图像相关法,即KAZE算法。KAZE算法与传统的特征检测算法的区别在于其是通过建立非线性尺度空间来消除噪声与提取特征点,可以有效地避免边界模糊和细节丢失。通过KAZE算法匹配出图像变形前后特征点对坐标,使用仿射变换估计初始变形参数;使用反向组合高斯牛顿法对估计初值进行迭代优化。结果表明,在不损失精度的情况下,该方法相对于传统方法具有更高的搜索效率。

针对KAZE特征匹配算法对视角变化敏感, 在大视角场景下不能实现正确匹配的问题, 提出了一种视角鲁棒的PKAZE(Perspective-KAZE)算法。该算法在原KAZE描述符的基础上, 计算特征点邻域内的二阶梯度均值, 形成新的扩展的80维描述符; 然后利用透视变换模型对待匹配影像进行多视角模拟, 在模拟影像上提取改进的KAZE描述符, 再进行特征匹配。最后, 选取5对含有最多正确匹配数量的影像上的匹配对作为初始结果, 利用随机抽样一致算法对初始结果提纯。对多组图像进行了匹配实验, 结果表明：与 KAZE、尺度不变特征变换(SIFT)和加速鲁棒特征(SURF)算法相比, 所提算法对视角变化具有更强的鲁棒性; 与透视尺度不变特征(PSIFT)和仿射尺度不变特征(ASIFT)算法相比, 本算法匹配正确率更高, 分别为PSIFT的2~10倍, ASIFT的2~7倍。提出的算法对视角变化具有很好的鲁棒性, 不仅对模拟影像的视角变化很稳健, 而且适用于真实三维复杂场景拍摄的大视角影像, 具有一定的实用价值。