图像正则化扩散行为及统一处理框架

PDE的图像正则化是一种基于扩散思想的非线性滤波方法,是解决降噪、伪影去除、结构增强等底层视觉问题的最有效方法之一,目前针对此类算法的统一分析框架还较为少见。基于3种典型PDE正则化算法的扩散行为,提出了一种基于扩散张量的图像正则化算法分析框架,对于此类算法的分析、开发和拓展具有重要意义,最后通过实验验证了框架的有效性。

改进隐马氏模型的运动人体模型学习(英文)

基于人体模型的跟踪方法易于实现视频的运动人体跟踪,而且利用较少的视频帧数即可学习获得人体模型。本文针对给出的视频提出了学习人体模型的学习算法。利用片图模型表示未经学习的人体,改进的隐马尔可夫模型( HMM)模拟人体在视频序列各帧间的运动,并使用机器学习方法对该改进的HMM进行推理,获取改进HMM的参数,从而获得所需的人体模型。学习得到的人体模型由包含颜色信息的各人体肢体模板组成。实验显示只用80～90帧包含有人体运动的序列图像,便可学习得到该运动人体的人体模型。结果表明,该学习框架效果明显,可用于快速学习视频序列中的运动人体模型,且可用于学习一人或多人的人体模型。

一种基于非线性结构张量的边缘增强算法

基于偏微分方程的增强算法是解决图像边缘结构增强问题最有效的方法之一。本文提出一种将非线性结构张量与非线性边缘增强相结合的算法。其中,非线性结构张量的邻域选择方式能更好地描述图像局部几何结构,非线性边缘增强的各向异性扩散方式更有利于在增强边缘的同时有效地降低噪声水平。实验结果表明,本文算法不仅有效地增强了图像边缘,而且在噪声水平较高的环境下也有着良好的表现。