基于改进Harris的消音壁亚像素级角点检测算法

在计算机视觉领域,角点检测作为图像拼接、三维重建等算法的关键,能够直接影响视觉处理的最终效果。为了进一步提高角点检测在消音壁视觉检测应用场景下的精度,提出了一种亚像素级角点检测算法,首先以Harris算法获得像素级角点为中心角点,然后通过最小二乘法迭代计算不断逼近,最后计算得出亚像素级角点坐标。实验结果表明,算法角点检测的平均偏移量为0.18像素,相较Harris角点检测算法的偏移量降低0.56像素,在确保正确率的基础上更加接近真实值,能够满足在消音壁视觉检测应用场景下的精度需求。

一种改进的Harris-RANSAC长焦相机标定算法

长焦相机采集近距离棋盘格图像时易出现相机离焦现象,导致棋盘格图像产生散焦模糊,极大地增加了相机标定的难度,同时传统的Harris角点检测算法对散焦模糊的棋盘格图像进行角点检测的结果即使经过非极大值抑制处理也仍然存在大量冗余角点.针对上述问题,基于随机抽样一致(random sample consensus,RANSAC)算法提出一种改进的Harris-RANSAC长焦相机标定算法.首先,引入感兴趣区域将Harris角点检测的区域缩小到棋盘格区域以避免背景干扰;其次,采用随机抽样一致算法替代传统的非极大值抑制方法剔除冗余角点;最后,针对模糊棋盘格图像的特性构造新的响应函数,进行亚像素级角点定位,从而得到精确的角点坐标.结果表明,改进的Harris-RANSAC算法对模糊棋盘格图像进行角点检测时耗时短且精度较高,角点检测的反投影误差仅为0.432像素.

一种改进的Harris角点提取算法

针对Harris角点检测算法对T型和斜T型角点存在定位不准确以及运算速度慢的问题,提出了一种改进算法。改进算法计算目标像素点的8邻域范围内与之灰度相似的点的数目,然后对目标像素点周围其他像素点按同样方法处理,并对得到的计算数据进行比较,分析出局部范围内的像素点的灰度值分布。根据比较结果,从中遴选出部分像素点作为下一步角点检测的计算对象,并计算其角点响应函数值,如果角点响应函数值大于设定的阈值,该点则会被确定为最终的角点。实验结果表明:改进算法的角点检测时间仅为原算法的14.3%,并实现了对T、斜T型角点准确定位,提高了Harris角点检测算法的检测效率和精度。

基于像素点灰度差的Harris角点检测算法

针对Harris算法在图像处理过程中特征点提取实时性和抗噪能力较差、计算量大的问题,提出一种结合像素点灰度差的Harris角点检测算法。将被检测点与半径为3的邻近圆周上16个像素点作对比,以此计算非相似像素点的个数来确定候选角点,通过Harris角点响应函数提取角点,并结合SUSAN算法的思想去除伪角点。实验结果表明,改进算法提高了原算法的实时性,增加了角点提取的数量,并且能有效去除大多数伪角点,提高图像角点检测的速度和正确性。

Harris角点自适应检测的水稻低空遥感图像配准与拼接算法

图像配准和拼接的自动化是微小型无人机能否被广泛应用于水稻长势低空遥感监测的关键技术之一。为了改进Harris角点检测算法中阈值需要人为设定的局限,文章提出了基于Harris角点自适应检测的水稻低空遥感图像配准与拼接算法。该算法在Harris角点检测算法的基础上进行改进,采用基于图像像素灰度值标准差标准化的方法进行角点的自适应确定,并对角点进行特征描述,利用角点特征描述算子之间的欧式距离进行配准。为了验证算法的有效性并进行相关参数的优化,采用多旋翼无人直升机获取了水稻长势的低空遥感图像,并设计了重复率(衡量角点检测的稳定性)、辨识率(衡量角点描述算子的辨识度)、配准率(衡量图像的拼接精度)以及运行时间(衡量算法的运算速度)4个评价指标对配准与拼接的结果进行评判。随机选取获得的低空遥感图像分成3组进行测试,试验结果表明,平均配准率达到了98.95%,且各组图像之间的重复率与配准率差异不显著(显著性水平为0.05),说明改进后的算法稳定。设计了角点自适应检测算法阈值参数的优选试验,阈值参数为标准化处理后的图像像素灰度值标准差,方差分析结果表明,图像像素灰度标准差为1和2时配准率的差异不显著(显著性水平为0.05),但当图像像素灰度标准差为1时,图像配准与拼接平均运行时间是其为2时的2.5倍,因此,可设定图像像素灰度标准差为2作为本算法的较优参数。

基于区域检测的多尺度Harris角点检测算法

针对传统Harris算法检测的角点遍布整个图像和对尺度变化较敏感的问题,本文提出将区域检测方法和多尺度Harris角点检测算法相结合,使检测到的角点数目更少,以提高后续的图像匹配重建的效率。首先,利用区域检测的算法构造图像显著图,采取腐蚀膨胀操作提取出目标区域作为候选的检测区域;其次,利用多尺度结合非极大值抑制的方法改进Harris算法,检测图像的角点并标记。仿真结果表明:本文方法能进一步提高角点检测的精确度和速度,同时在不改变任何参数的情况下,对于图像旋转能够减小角点提取的差异,增强算法的多尺度性。

一种新的Harris多尺度角点检测

Harris角点检测是一种经典的角点检测算法,但不具有尺度变化特性。该文把多分辨分析的思想引入到该算法中,构造了基于小波变换的灰度强度变化公式,并得到了具有尺度变换特性的自相关矩阵,从而构建了一种新的基于小波变换的Harris多尺度角点检测算法。这样,使得新的角点检测可以在不同的尺度下获取角点,并克服了单一尺度的Harris角点检测可能存在的角点信息丢失、角点位置偏移和易受噪而提取出伪角点等问题。通过对比实验,新算法明显地提高了图像角点检测性能。

基于Harris角点和SURF特征的遥感图像匹配算法

Harris是一种高效的角点检测算法,但不具备尺度不变性。SURF(speeded-up robust features)算法虽然能很好地解决图像尺度变化问题,但是在特征点提取方面没有Harris稳定。针对Harris和SURF两种算法的特点,提出一种新的Harris-SURF特征点提取算法。首先用Harris算法检测图像角点,再用SURF算法提取图像特征点;然后合并角点和特征点,并剔除重复点获得新的特征点集,确定新特征点的主方向并生成特征描述符,再对图像使用比值法进行初匹配;最后利用RANSAC剔除错误匹配点实现精确匹配。实验结果表明,该算法对图像存在旋转、缩放、光照及噪声变化有较强的鲁棒性,同时提高了运行效率。

一种基于Harris角点特征精确匹配的图像拼接方法

提出了一种基于Harris角点特征的精确匹配方法。该方法首先提取参考图像及待拼接图像中各自的Harris角点点集,并计算出这2个点集间每对点的圆形邻域图像的相关系数;再通过提取各个角点邻域的Hu矩特征,获得了该特征下每对点的相似程度。将不同特征下的相似度进行归一化并融合,构造出2个点集间,每对点的相似度表。在此表的基础上,优化匹配结果,使得匹配点对的总体相似程度高,从而得到精确匹配。由于Hu矩特征具有旋转及尺度不变性,因此提取出的角点特征能够较好地抵抗常见的图像变换。最后,实现了一套包括图像预处理、图像对齐与匹配等诸多模块的图像拼接系统。通过实际操作表明,该方法的图像拼接效率较高,有较好的鲁棒性。

基于灰度差分与模板的Harris角点检测快速算法

为了去除伪角点和减少角点遗漏并且实现图像中角点的实时提取,提出了一种基于灰度差分与模板的Harris角点检测快速算法。改进算法采用灰度差分与小模板相结合的方法筛选出初始角点集,并在此基础上对最小核值相似区（SUSAN）算法进行了改进并采用改进的SUSAN算法精化初始角点集;最后,通过计算初始角点的角点响应函数值并进行非极大抑制,以确定最终的角点。实验结果表明,改进算法能够准确提取图像中的角点并去除大量伪角点。此外,改进算法的角点检测时间显著减少,仅为原算法的4.7%,能够满足角点实时提取的需求。

基于改进Harris算法的图像角点检测

针对Harris角点检测算法运行速度慢且单一阈值选取不当容易造成漏检正确角点或提取出较多伪角点的问题,提出了一种快速预筛选方法以提高检测效率,并结合多阈值角点提取及邻近角点剔除策略来改进算法。实验结果表明:单独使用该预筛选方式的改进算法仅用32.71%的时间就可以检测出原算法94.97%的角点;配合多阈值角点检测方法及临近点剔除策略时,改进算法的运行时间仅为原算法的61.94%,且检测出的角点分布更均匀,既能充分代表图像信息又有效地避免了角点簇拥现象。

Moravec和Harris角点检测方法比较研究

角点是图像中的重要特征,在图像配准与匹配、运动分析、目标识别、目标跟踪等领域中均得到了广泛的应用。Moravec和Harris算法是计算机视觉领域中应用比较广泛的角点检测方法。介绍了Moravec和Harris及其改进等四种常用的角点检测算法的实现原理及其特点,并对这四种方法进行了分析、比较,给出了它们的效率性能评价。然后通过实验研究了它们在角点检测的速度、正确率和抗噪性等方面的差异,探讨了各种算法的优势和缺陷。最后,文章指出了角点检测技术的研究与发展方向。

一种改进的Harris与SUSAN相结合的角点检测算法

通过研究Harris角点检测算法时发现,虽然该算法对棋盘角点有很好的检测能力,但对于一些立体物角点提取时,在物体边线上存在较多伪角点,同时也有抗噪能力差和运算速度慢的问题。针对以上情况,提出一种Harris邻域像素取差法与SUSAN相结合的改进算法。首先,运用邻域像素相似法,计算当前像素点8邻域内灰度值与其核点相似的像素点个数,初步得出候选角点集;然后结合SUSAN算法思想,进一步排除候选角点集内的伪角点。实验结果表明该方法能提高角点检测的准确度。

基于Harris与Sift算法的图像匹配方法

采用Harris角点检测算法进行图像特征检测,采用Sift算法中的特征描述方法进行图像特征描述,之后将图像特征点划分为多对多匹配对,根据特征描述值的支持强度不同建立精确的一对一匹配关系.该算法有效地避免了图像特征分布均匀时的Sift匹配效率较低的问题.

一种基于Harris-SIFT特征点检测的LBP人脸表情识别算法

针对LBP算法在提取全局特征时不具有针对性的缺点,提出一种基于Harris-SIFT特征点检测的LBP人脸表情识别算法。该算法引入Harris得到表情图像的角点,同时运用SIFT检测算法得到图像的局部最大最小值,通过Harris算法对SIFT特征点进行过滤,得到表情图像的准确感兴趣点;设计特征点最大区域选取法和特征点周围邻域选取法,将选取的区域作为LBP特征提取的输入图像;运用SVM多分类器得到每种表情的识别率。实验表明,该算法能更有效地提取表情特征,达到较好的识别效果。

基于自适应分数阶微分的Harris角点检测算法

针对Harris算法在对纹理复杂程度高的图像进行角点检测时会出现大量伪角点,以及分数阶微分应用到图像处理中需要人为地指定阶数的缺点。分析了伪角点大量产生的原因,并提出以分数阶替换原算法中的整数阶对图像进行微分的改进方法,以及一种以图像的分形维数作为参数来自适应地选择微分所需要的阶数的方法。从而使图像做微分运算时能更好地保留图像中的边缘信息,使分数阶微分可以应用于视频目标追踪、视频稳像等实时性要求较高的场合。实验表明,改进算法在进行角点检测时具有更高的精确度。

Harris-Laplace结合SURF的遥感图像匹配拼接方法

在遥感图像的处理和应用中,为了更好地解译、分析和研究图像信息,往往需要把两幅或多幅遥感图像拼接为一幅图像,文章针对遥感图像在旋转及受噪声影响时匹配困难的问题,提出了将Harris-Laplace(哈里斯-拉普拉斯)检测和SURF(快速稳健特征)算法相结合的匹配拼接方法。利用Harris-Laplace算法对遥感图像进行多尺度特征点检测,该特征点对光照变化、图像噪声和尺度改变具有不变性;然后,利用SURF算法确定特征点主方向并对特征进行描述;使用比值法进行初始匹配,接着用RANSAC(随机抽样一致性)算法剔除错误匹配点,并对匹配的图像进行拼接。试验结果表明,文中方法不但具有很好的抗旋转性能和抗噪声性能,而且较经典的SIFT(尺度不变特征变换)算法提高了匹配效率,能够为遥感图像的实时配准拼接以及几何定位精度评价提供有力的技术支持。

基于Sobel边缘检测的圆周Harris角点检测算法

特征点的选取是视觉研究的基础,其选取的精确度直接影响到视觉信息处理的准确性与可靠性。传统Harris角点检测方法具有计算简单、易于实现的优点,但该算法效率低下、检测精度较低、抗噪性差、存在角点簇。提出一种基于Sobel边缘检测的圆周Harris角点检测算法:首先采用Sobel边缘检测进行角点预筛选,本质上提高检测效率;随后采用圆周窗口模板对筛选后的角点进行非极大值抑制,减少漏检点与伪角点的个数;最后采用临近点剔除法,保留非极值最大点作为角点,解决角点簇问题。实验结果表明,文中角点检测算法运行效率得到了极大提高,减低漏检率的同时,旋转不变性亦得到了改善。

一种双边核函数的新Harris角点检测算法

针对目前Harris算法存在的对噪声敏感和检测率不高的不足,提出一种双边核函数的新Harris角点检测算法。算法首先采用双边滤波器来代替原有的高斯低通滤波器,来增强算法的鲁棒性;接着采用多尺度分解来建立真实角点和伪角点的分割阈值。实验结果表明,提出的算法能精确地检测图像角点。

改进Harris-SIFT算法在水下图像匹配中的应用

针对尺度不变特征变换(SIFT)算法实时性差、错匹配多,以及Harris角点检测算法精度不高、速度偏慢的问题,提出了一种运用改进Harris-SIFT算法对水下拍摄的双目图像进行特征点提取与匹配的方法。利用改进的Harris算法对两幅图像进行角点检测,然后为特征点分配方向,并生成SIFT特征描述子,完成匹配。实验结果表明,该算法实时性强、匹配率高,并能较好地反映水下物体的形状特征。