不变矩自提出以来被广泛应用于目标识别系统中进行特征描述,这需要能够实时计算不变矩值。虽然已经提出了许多不变矩的快速算法,但仍无法在单台PC机上实现不变矩的实时计算。分析了基于差分矩因子的不变矩快速算法的并行性,提出了一种...不变矩自提出以来被广泛应用于目标识别系统中进行特征描述,这需要能够实时计算不变矩值。虽然已经提出了许多不变矩的快速算法,但仍无法在单台PC机上实现不变矩的实时计算。分析了基于差分矩因子的不变矩快速算法的并行性,提出了一种基于统一计算架构(CUDA)的快速不变矩并行实现方法,并在NVIDIA Tesla C1060 GPU上实现。对所提出算法的计算性能与普通串行算法进行了对比分析。实验结果表明,所提出的并行计算方法极大地提高了不变矩的计算速度,可有效地用来进行实时特征提取。展开更多
l_(0)梯度最小化图像平滑算法可在保持边缘的同时滤除纹理和细节,但该算法使用图像梯度判决被平滑成分时会出现包含较小图像梯度(弱边缘)的区域会被平滑,而包含较大图像梯度(强纹理)的区域被保留的现象.为克服此缺陷,提出一种基于图像块...l_(0)梯度最小化图像平滑算法可在保持边缘的同时滤除纹理和细节,但该算法使用图像梯度判决被平滑成分时会出现包含较小图像梯度(弱边缘)的区域会被平滑,而包含较大图像梯度(强纹理)的区域被保留的现象.为克服此缺陷,提出一种基于图像块l_(0)梯度最小化算法(image-patch based l_(0)gradient minimization algorithm,简称IP-l_(0)算法)的图像平滑算法,通过对输入图像中的图像块而非整幅图像进行平滑,动态改变图像块目标函数中的权重参数,令主要包含强纹理的图像块以较大的力度进行平滑,而主要包含弱边缘的图像块以较小的力度进行平滑,再整合平滑后的图像块得到整个边缘保持平滑图像.对IP-l_(0)算法、原始的l_(0)梯度最小化算法、基于局部拉普拉斯滤波器的算法、基于相对全变差算法、基于树滤波的算法,以及2种基于深度学习的边缘保持算法进行仿真实验,结果表明,使用IP-l_(0)算法滤波后的图像能在保持较弱的边缘的同时平滑强纹理.展开更多
文摘不变矩自提出以来被广泛应用于目标识别系统中进行特征描述,这需要能够实时计算不变矩值。虽然已经提出了许多不变矩的快速算法,但仍无法在单台PC机上实现不变矩的实时计算。分析了基于差分矩因子的不变矩快速算法的并行性,提出了一种基于统一计算架构(CUDA)的快速不变矩并行实现方法,并在NVIDIA Tesla C1060 GPU上实现。对所提出算法的计算性能与普通串行算法进行了对比分析。实验结果表明,所提出的并行计算方法极大地提高了不变矩的计算速度,可有效地用来进行实时特征提取。
文摘l_(0)梯度最小化图像平滑算法可在保持边缘的同时滤除纹理和细节,但该算法使用图像梯度判决被平滑成分时会出现包含较小图像梯度(弱边缘)的区域会被平滑,而包含较大图像梯度(强纹理)的区域被保留的现象.为克服此缺陷,提出一种基于图像块l_(0)梯度最小化算法(image-patch based l_(0)gradient minimization algorithm,简称IP-l_(0)算法)的图像平滑算法,通过对输入图像中的图像块而非整幅图像进行平滑,动态改变图像块目标函数中的权重参数,令主要包含强纹理的图像块以较大的力度进行平滑,而主要包含弱边缘的图像块以较小的力度进行平滑,再整合平滑后的图像块得到整个边缘保持平滑图像.对IP-l_(0)算法、原始的l_(0)梯度最小化算法、基于局部拉普拉斯滤波器的算法、基于相对全变差算法、基于树滤波的算法,以及2种基于深度学习的边缘保持算法进行仿真实验,结果表明,使用IP-l_(0)算法滤波后的图像能在保持较弱的边缘的同时平滑强纹理.