Scratch Detection Algorithm of Car Surface Based on Directional Color SUSAN Operator

The car surface scratch detection adopts the traditional manual detection with poor efficiency and high missing rate.Because of the gray mark and the background of car surface scratches,the traditional edge detection algorithm cannot meet the needs of car surface scratch detection.Therefore,the directional SUSAN algorithm based on CIELab color space is adopted in this paper.The direction template and the circle template to calculate the color difference of the color image are used in the algorithm which has been converted to the CIELab space.The edges and scratches are eliminated by matching and contrasting the detected image with the edge template.Experimental results show that the algorithm can effectively detect scratches on the surface of cars,improve the detection speed and reduce the undetected rate.

改进Harris-Susan算法下砾石土料掺配均匀度评价

砾石土料掺配均匀程度对砾石土心墙坝的安全至关重要。数字图像处理方法被广泛应用于混合物识别领域,但在处理存在黏连特性的图像时易出现过分割与欠分割问题,导致评价结果精度不足。针对上述问题,本文提出改进Harris-Susan算法下砾石土料掺配均匀度评价方法。首先,改进Harris-Susan算法可分割欠分割区域并修复过分割区域,提高二值图像精度;其次,基于砾石邻域的概念,对图像进行单分位均匀度评价;最后,采用空间分布采样构建砾石土的空间均匀度评价指标。将该方法应用于大渡河双江口砾石土高心墙堆石坝工程建设中,本文方法相对统计准确率为0.935,较Otsu算法(0.353)和分水岭算法(-3.101)提升明显。结果表明,本文方法结果与筛分法高度一致,同时可有效节省人力、物力与时间成本,评价效率更高,具有很强的工程应用价值。

基于SUSAN算法的航空影像的自动配准

图像配准技术是图像融合、图像镶嵌以及影像三维重建的基础。提出了一种基于SU SAN(SmallestUnivalueSegmentAssimilatingNucleus)算子的图像配准方法。该方法利用SU SAN算子提取两幅图像的角点,通过粗匹配和细匹配两个步骤得到匹配角点对。然后再根据这些角点对对图像进行配准。试验表明此方法能有效地实现航空影像自动配准。

SUSAN清晰度评价函数在自动对焦中的应用

为了满足自动对焦系统的实时性与抗噪性要求,提出了一种基于SUSAN算子的清晰度评价函数。该函数利用SUSAN边缘提取算子的算法简单、准确度高、抗噪性强的特点,对SUSAN算子边缘检测函数进行改进,将边缘点的USAN值的平方和作为清晰度评价值,并将其运用到自动对焦算法中。将该函数与几个经典的清晰度评价函数进行性能比较,实验结果表明:对于引入噪声前后的图像序列,基于SUSAN算子的清晰度评价函数均具有良好的单峰性、无偏性和较高的灵敏度;对于256×256的对焦窗口图片,该函数在TMS320C6416硬件平台上的运行时间仅为16 ms。该函数能够满足清晰度评价函数的单峰性、无偏性、高灵敏度等基本特性,同时具有良好的实时性与抗噪性。

基于SUSAN算法的分层快速角点检测

分析了SUSAN算法在角点检测中运算速度较慢的原因,并提出基于SUSAN算法的分层快速角点检测算法.该算法根据图像中像素周围图像灰度的相似性和角点的特性,引入提升小波变换理论,采用由粗到细的分层策略,首先对图像进行提升小波变换,找到角点的粗略位置,再用SUSAN算法进行精细查找,准确定位角点.实验结果表明,该算法可较大幅度地提高运算速度,节省运算时间.

一种改进的SUSAN算法

针对SUSAN角点算法在对实际图像进行角点检测时角点数量太多,不利于角点匹配的局限性,提出了角点"好坏"的判别函数,减少了角点数量;并应用自适应非最大假设策略(ANMS),使改进算法检测的角点均匀分布在图像上。实验结果表明,改进的算法能够有效保留"好"的角点,有利于角点的匹配。

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SUSAN算法的遥感图像去云

提出了一种基于SUSAN算法自动消去主图像中云区遮挡影响的方法。该方法首先利用SUSAN算法有效提取主图像和参考图像中的角点,然后采用概率松弛法寻找主图像和参考图像间的匹配点,将主图像与参考图像配准,在此基础上搜索主图像的云区,最后进行融合得到去云图像。实验结果表明该方法具有较好的去云效果。

加权SUSAN角点检测算法稳定性改进研究

SUSAN算法是比较稳定的角点检测算法,但是也存在着漏检和误检的情况。对经典SUSAN算法研究后针对其缺陷进行了改进,通过提出加权SUSAN算法,提高了角点检测的精度。同时,在USAN判决准则上进行了改进,新的准则增加了模板内和核心点灰度相似像素需要与核心点连通,并且USAN区域重心需要远离核心点的约束条件来进一步筛选候选角点。通过改进,减少了原算法的漏检和误检问题,实验结果也证明了改进方法的有效性。

基于多方向对称和匀质约束的SUSAN棋盘格角点检测算法

棋盘格角点检测是摄像机标定过程中的一个重要步骤。针对原有SUSAN角点检测算法在棋盘格角点检测应用中边缘点与角点难以区分的问题,通过对棋盘格角点特性的分析和实验,提出了一种基于多方向对称和匀质约束的SUSAN棋盘格角点检测算法。通过在原有SUSAN算法的基础上添加对称约束算子和匀质约束算子滤除SU-SAN检测结果中的边缘点,最终确定角点的坐标。实验结果表明,该算法在角点检测的有效性和精度方面优于已有算法。

SUSAN算法在植物叶缘特征提取中的应用

叶缘特征是植物种类识别和分类的一个重要依据。根据植物学中对叶缘的描述,设计了计算机辅助植物叶缘特征提取方案。首先采用改进的SUSAN算法检测植物叶缘锯齿,然后计算叶缘锯齿数量、尖锐度、偏斜度3个特征参数。对多种类型的植物叶进行测试,结果表明,利用改进的SUSAN算法能够有效检测植物叶缘锯齿,3个特征参数体现了不同类型叶缘的形状差异,叶缘特征提取方案可用于植物叶缘定量分类。

基于改进SUSAN原则的车辆检测方法

为解决汽车辅助驾驶系统中目标车辆检测的实时性和鲁棒性问题,提出一种基于单目视觉的车辆检测系统,将改进的SU—SAN(Smallest Univalue Segment Assimilating Nucleus,即最小核值相似区)算法应用到车辆边缘检测中;采用自适应双阈值法检测车底阴影。结合车道线参数动态规划车辆初始检测区域;在检测区域中,采用改进的SUSAN算法定位车辆边缘,生成车辆假设;最后根据车辆的纹理、形状和位置特征来验证车辆假设;为改善系统性能,采用Kalman滤波算法对检测到的目标进行跟踪;使用实际采集的道路图像序列对系统进行测试。实验表明,该系统能够及时准确地检测前方目标车辆。

一种改进的快速SUSAN角点检测算法

着重分析SUSAN角点检测速度慢的缺点,提出改进的快速SUSAN角点检测算法。该算法首先比较待测点与其周围半径为R的圆周上像素的灰度,统计连续的具有非相似灰度值的像素个数,根据判定准则得到初始角点,再使用非极值抑制函数选择最优角点。实验结果表明:该改进算法有效地减少角点检测过程的计算量,使得角点检测的效率大大提高。

改进的SUSAN角点检测算法

SUSAN角点检测算法以抗噪声性能强,运算速度快而被广泛运用于特征点的提取。传统的SUSAN算法的灰度差阈值固定,不能有效去除伪角点,并且在大尺寸模板检测下耗时多。针对这些问题,从模板尺寸对检测结果的影响出发,讨论不同尺寸模板的检测效果,从而提出一种变换模板提取特征点的方法。采用一种自动选取阈值的方法实现了阈值的自动选取,使用能量分布法和像素投影法去除了伪角点。结果显示,该方法缩短了检测时间,并且提高了检测准确度。

SUSAN角点检测算法改进

提出了一种改进的角点检测算法.本着好的算法不依赖于人为干涉的思想,在SUSAN算子基础上,通过对图像灰度值和对比度分析,提出灰度阈值t和比较函数C的快速自适应选取.针对SUSAN算法中对某些特殊型角点检测会失败的情况,构造一种针对SUSAN圆形模板的二圆环模板,对一些与边缘点难以区分的角点进行检测.试验表明,改进的算法近一步提高了检测的准确性.

SUSAN边缘检测算法性能分析与比较

介绍了一种基于灰度比较的边缘检测算法——SUSAN算法,讨论了该算法的模板和门限的选取方法,并用VC++编程实现了该算法。通过与传统边缘检测算法的比较,结果表明:由于该算法不涉及梯度的运算,因此对噪声图像的边缘检测效果优于传统的边缘检测算法。该算法适于含噪图像或低对比度灰度图像的边缘检测。

一种改进的SUSAN角点提取算法

提出了一种以SUSAN角点提取算法为基础的改进算法。新算法考虑了USAN区域内同类像素分布的状况,通过设定区域阀值对其进行逐级判定,从而快速有效的提取出角点的位置、方向和角度大小等有用信息。实验结果表明,本算法在有效提取出角点信息的同时也加强了SUSAN算法的抗噪性能。

基于自适应双阈值的SUSAN算法

传统SUSAN算法在提取图像边缘时,会出现漏检现象,且所提取的边缘较粗。为此,运用计算最大类间方差的方法自适应地选取双阈值,取代传统算法中人工设定的单阈值,采用多方向局部非极大值抑制方法进行改进,提出一种新的SUSAN边缘检测算法,并将其应用于遥感图像的边缘提取。实验结果表明,该算法能够有效提高边缘定位精度,降低漏检率,使边缘更细致光滑。

融合SUSAN算法和Robert算法的图像边缘检测滤波处理技术

研究了图像边缘检测算法并进行了滤波处理。由于传统的SUSAN算法对阈值的选择比较难,难以得到更多的图像信息,因此提出了一种基于Robert图像边缘检测技术的改进型算法,其融合了SUSAN特征点匹配技术,同时采用均值滤波算法去除图像检测过程中的噪声,最后采用图像细化方法对图像进行细化处理。经仿真实验表明,提出的改进算法能够有效地对图像进行检测,降低了算法的复杂度。

基于非极大值抑制的SUSAN算法改进及硬件实现

基于FPGA的嵌入式双目立体视觉系统中要求其边缘检测算法具备抗噪能力强、定位精度高、实时性好、易于硬件实现的特点。本文在SUSAN算法的基础上,提出了一种能够满足上述要求的改进边缘检测算法,先用SUSAN算法计算图像的初始响应和法线方向,再进行基于USAN重心与中心点距离阈值的非极大值抑制,最后进行边缘连接,得到边缘图像。该算法各模块采用Verilog HDL语言编程,并在FPGA中验证实现;边缘检测结果用于立体匹配,匹配效果良好,完全满足设计要求。