亚像素级数字图像弱边缘小目标快速检测算法

小目标往往在图像中占据较少的像素区域,与背景色彩相近,导致对其检测面临目标分辨率低、目标与背景相似度高等问题,使得传统的像素级定位方法无法满足亚像素精度的检测需求。为此,文中研究亚像素级数字图像弱边缘小目标快速检测算法。基于三次B样条小波模极大值方法多层分解并计算图像弱边缘的模极大值,获取弱边缘细节图像,将其输入亚像素级的Franklin矩方法中,对其旋转处理,检测亚像素弱边缘目标点,采用最大类间方差法确定最佳灰度差阈值,提升图像弱边缘小目标快速检测能力。测试结果显示:图像信杂比增益均在0.017以下;背景抑制因子结果均在0.922以上;亚像素坐标计算结果和实际结果之间的误差均低于(0.11,0.13),清晰呈现了弱边缘小目标的分布情况。

基于视觉的象棋棋盘识别

基于视觉的象棋棋盘识别是象棋机器人软件的重要组成部分,其核心工作是棋盘图像二值化和棋子识别。针对棋盘全局二值化存在的问题,提出了基于相邻像素灰度差阈值的棋盘图像二值化方法;针对棋子文字方向任意的现象,提出了3种基于统计特征的棋子文字识别方法。经实验验证,这些方法处理速度快、效果理想。

一种基于USAN的特征点检测算法

SUSAN角点检测算子的提出是以假设待测角点是L型为前提的,这就造成了SUSAN算子在检测角点时以USAN区域的大小为判据的局限性。实际上,当USAN区域的大小等于SUSAN圆模板面积的一半的时候,常常会出现错误的检测结果。在分析图像各特征点的本质区分的基础上,在SU-SAN圆模板内,附加了一个圆环模板,并以圆环模板上灰度的跳变次数为辅助判据,来弥补SUSAN算子的不足。此外,SUSAN算子USAN区域的划分是基于固定灰度差阈值的,这对于具有不同对比度的图像的角点提取很不利。鉴于此,提出了一种基于迭代运算的灰度差阈值的计算方法,在每个像素位置,通过迭代运算计算其对应SUSAN圆模板内的灰度差阈值,得到更合理的USAN区域。所提出的算法以USAN区域大小为第一判据,再辅以圆环模板上的灰度跳变次数为第二判据,从而为特征点的检测提供了双重保障。实验结果表明,算法可以准确、可靠地提取出各种不同类型的角点。

象棋机器人视觉系统设计

视觉是象棋机器人软件的重要组成部分,其核心工作是棋盘图像二值化、棋子检测和棋子识别。并对棋盘全局二值化存在的问题,提出了基于相邻像素灰度差阈值的棋盘图像二值化方法;针对棋子文字方向任意的现象,提出了基于年轮统计的棋子文字识别方法。实践证明,该方法处理速度快、识别效果理想。