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。

基于SUSAN角点的秧苗列中心线提取方法

中国南方水田环境复杂,不同生长阶段秧苗的形态各异,且田中常出现浮萍及蓝藻,其颜色与秧苗颜色极其相似,因此常用的作物特征提取算法难以应用在水田上。针对这些问题,该文提出一种基于SUSAN角点的秧苗列中心线方法。运用归一化的Ex G(excess green index)提取秧苗的灰度化特征,运用自适应的SUSAN(smallest univalue segment assimilating nucleus)算子提取秧苗特征角点;最后运用扫描窗口近邻法进行聚类,采用基于已知点的Hough变换(known point Hough transform)提取秧苗列中心线。经试验验证,此算法在图像中存在浮萍、蓝藻和秧苗倒影的情况下有较高的鲁棒性。在各种情况下均成功提取秧苗的列中心线,且每幅真彩色图像(分辨率:1280×960)处理时间不超过563 ms,满足视觉导航的实时性要求。

基于方向性SUSAN算子的图像角点特征提取

在不同传感器图像的匹配中角点是重要匹配特征,为满足实际一些具有方向性的成像传感器图像匹配的需要,进行稳定可靠、具有方向性角点特征的检测是必需的.本文采用方向性的SUSAN角点检测算法,将SUSAN算子计算区域限定在具有一定指向的扇区,使之具有方向性检测角点特征.实验证明,该算法简单、实用和有效.

一种快速自适应RSUSAN角点检测算法

根据图像边缘灰度的渐变性,我们重新定义SUSAN(Small Univalue Segment Assimilating Nucleus)算法中小核值相似区;并找到一种更为有效和简便的计算小核值相似区面积的方法;在此基础上提出了RSUSAN(Redefined SUSAN)角点检测算法。与经典的角点检测算法SUSAN、MIC(Minimum Intensity Change)相比,RSUSAN具有角点检测准确性高。计算简单,运算速度大为提高等优点。对于模糊、噪声大的图像本文还进一步提出了采用自适应平滑和RSUSAN相结合的方法,称为自适应RSUSAN算法。实验证明,相比较SUSAN、MIC算法而言,自适应RSUSAN算法没有显著地增加计算量,而且在对模糊、噪声大的图像进行角点检测时,虚报及漏检概率大大减少,对噪声的鲁棒性好,角点检测位置精确。

基于SUSAN角点和HSV颜色模型的粒子滤波目标跟踪算法

针对传统粒子滤波目标跟踪算法在目标与背景颜色相似情况下目标定位偏差大、易导致丢失目标的缺陷,提出一种基于角点和颜色模型的粒子滤波目标跟踪算法。首先,提出一种改进SUSAN角点检测算法,采用圆形模板邻域内像素灰度值中值代替模板中心像素灰度值作为模板"核"来检测区域目标角点,其改进SUSAN角点算法在继承原有SUSAN算法计算简单、定位准确、具有旋转不变性等特点的同时,具有更好抗噪声性能;其次,利用HSV颜色模型光照不敏锐特性,对检测到的角点建立HSV颜色模型,并将其嵌入到粒子滤波框架中,实现对目标的跟踪。实验结果表明,当背景与目标颜色相近时,该算法能够有效避免背景对目标的干扰,取得了较好的目标跟踪性能。

基于改进SUSAN算法的箭环目标跟踪与测量

针对发射场火箭初始段漂移量的测量,提出一种带灰度梯度方向的SUSAN算子,实现了基于该算子与变模板相关跟踪算法的目标跟踪测量方法.首先在SUSAN特征检测原则的基础上,将对角点的检测转化为对边缘的检测,同时记录梯度方向,在剔除了图像噪音点之后,由具有特定方向信息的边缘像素点精确定位角点的坐标.该方法克服了标准SUSAN算法准确度低的弊病,使得对目标的提取准确度可以达到亚像素级,并增强了抗噪性能,实验证明该算法提取准确性高,运算量小,易于实现.

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。

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.

基于SUSAN算子和角点判别因子的目标边缘检测

针对目标区域角点分布密集和背景区域相对稀疏的图像,为了更准确、完整地提取目标区域的边缘,消除背景,提出一种基于SUSAN算子和角点判别因子的目标边缘检测方法.实验结果表明,与Canny方法、改进的非下采样Contourlet模极大值方法和改进的蜂群方法等边缘检测方法相比,本文提出的方法能有效避免背景区域的干扰,精确定位目标区域,所得边缘轮廓连通完整、细节丰富.该方法具有较优的主观视觉效果和较强的抗噪能力,且运行时间较少.

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。

基于改进的SUSAN算子的棋盘格亚像素角点检测算法

针对SUSAN算子在检测棋盘格角点这一特殊类型角点时出现的不足,提出了改进的SUSAN角点检测算子。改进的算子在分析原有算子仅考虑USAN区域的大小而不考虑USAN区域的形状这一局限性的基础上,通过在SUSAN圆模板内附加两个圆环模板来实现对所有棋盘格角点的有效检测。此外,鉴于棋盘格角点图像形状和灰度分布具有对称性以及灰度对比强烈的特点,采用灰度重心法对角点进行了亚像素定位。为了提高算法性能,具体操作时采用区域分离思想,将USAN区域分成内部像素区域和边缘像素区域两部分,通过对内部像素区域灰度的均值化,达到了抑制内部像素区域噪声的目的。实验结果表明,所提出的算法准确、有效,能达到亚像素级的精度。

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。

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。

基于曲波变换和Susan种子点生长的边缘检测算法

针对现存的基于空间域的图像边缘检测算法只能有效检测出图像有限方向边缘以及对于纹理复杂的图像边缘定位困难等问题,提出了一种基于曲波变换和Susan种子点生长的边缘检测算法,该算法首先对源图像进行曲波变换,然后对高频子图像运用Susan种子点生长算法进行边缘提取;对低频子图像采用极大值方法将轮廓检测出来,最后通过一定的融合规则进行融合,得到边缘图.理论和实验结果表明,该算法具有较高的效率和很好的抗噪声能力,尤其对具有复杂纹理的图像是一种有效的边缘检测方法.

基于改进SUSAN算法的红外图像边缘增强方法

提出了一种基于自适应阈值和限定角点区域的红外图像边缘增强方法.首先介绍了SUSAN边缘增强算法,然后改进了SUSAN算法阈值的自适应选取和角点区域限定的方法,最后在实际应用中,提取出了红外图像清晰、连通的边缘特征.实验结果表明,改进后的方法能够有效地增强红外图像的边缘,得到令人满意的效果.

快速SUSAN-Laplace角点算法

提出了一种新的SUSAN-Laplace角点算子。新算子首先使用拉普拉斯-高斯核对图像进行卷积,并将图像转换为二值或三值图像,然后使用SUSAN算子检测角点。这样既快速又具有SUSAN算子的位置精确性。SUSAN- Laplace角子具有较好的旋转、仿射、光照、尺度和噪声不变性,其计算速度也较快,比Harris角点快1.5倍,比SUSAN角点快6倍。应用中SUSAN-Laplace角子有一种快速算法,快速算法在计算拉普拉斯-高斯卷积时使用移位运算代替全部乘除法运算,能进一步提高计算速度。SUSAN-Laplace角子较其它角点算法能产生更丰富的角点,应用到SIFT算法中可提高对小目标的识别能力。

SUSAN角点检测算法稳定性改进研究

SUSAN算法在图像旋转和有噪声的情况下是比较稳定的角点检测方法,但也有漏检和误检的问题。针对其缺陷,提出改进的角点检测方法。改进的办法是将原方法的SUSAN核同值吸收区,替换为在响应圆域内与核像素点灰度值相同,且与核像素点邻接连通的区域。通过改进,避免了原方法漏检和误检的问题,仿真试验结果证明改进方法的正确性和有效性。

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。

一种基于SUSAN算子和相位相关实现图像配准的算法

提出了一种基于SUSAN算子检测角点,然后利用角点为中心的邻域的相位相关性实现图像配准的新算法,并在Matlab环境中模拟验证了该算法的有效性.实验表明,该算法配准精度高,对灰度变化和噪声具有鲁棒性.

基于SUSAN分层快速角点检测的改进算法

针对传统基于SUSAN算法的分层快速角点检测算法的缺陷,引入判别角点性能的改进算法。通过分层快速角点检测算法找到角点的大概位置,再利用角点性能判别算法,减少角点的数量,最后进行精细查找,准确定位角点。实验表明,该算法可较大幅度提高运算速度,节省运算时间,显著增强角点的匹配效果。