一种自适应的Harris角点检测算法

分析Harris角点检测算子的实现原理及其不足,提出一种基于图像分块和邻近角点剔除策略的自适应Harris角点检测算法,检症测出的角点均匀分布,有效避免了角点聚簇现象。实验结果表明,该算法检测出的角点分布更均匀合理,能很好地适应图像拼接等实际应用。

基于B样条的改进型Harris角点检测算法

在研究Harris角点检测算法时发现由于该算法采用高斯低通滤波进行平滑,因而对一些图像进行角点提取时,存在角点信息丢失和位置偏移等现象,而B样条函数可以收敛于高斯函数,并具有良好的逼近能力和紧支性等一些优秀的性质,从而基于B样条函数提出了一种改进的Harris角点提取方法。实验表明,该方法对提取角点非常有效。

一种改进的基于Harris的角点检测方法

在研究Harris角点检测算法时发现该算法对一些图像进行角点提取时,存在提取伪角点、角点信息丢失和位置偏移,而且在进行非极大值抑制时不易设置阈值等现象。提出了在进行非极大值抑制时采用双阈值法,分别设置一个相对大和一个相对小的两个阈值,从而得到同一图像不同阈值的角点信息,通过角点信息对比能够很好地解决角点信息丢失和位置偏移并能消除一部分伪角点,然后利用SUSAN的思想消除剩余的伪角点。通过对比实验表明,文中算法提取角点非常有效,比Harris算法具有更好的角点检测性能。

具有SIFT描述的Harris角点多源图像配准

多源传感器成像原理的差异给图像配准带来了很大困难,本文针对红外与可见光图像配准提出了一种具有SIFT描述特征的Harris角点多源图像配准算法。首先建立多尺度空间,以多尺度空间检测尺度不变的Harris角点作为特征点;然后通过改进SIFT对特征点的描述方法,采用圆环结构算子对Harris角点进行类SIFT的特征描述;最后利用双向最近邻方法进行匹配,通过最小二乘法实现图像的配准。实验证实了算法配准的精确性、快速性和稳定性,具有较好的配准效果。

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。

图像质量对Harris角点检测的影响研究

Harris角点检测计算的依据是图像像素点的梯度,并且受约于像素之间的相关性.而图像质量直接影响像素之间的相关性,从而对Harris角点检测产生作用.本文根据图像质量的几个标准分别对图像进行评价,并阐述图像质量和Harris角点检测之间的关系,把图像质量作为Harris角点检测选择参数的一个依据,并建议通过量表对不同质量的图像选择不同的参数进行角点检测.

基于二维EMD的Harris角点检测算法

为解决Harris角点检测算法在多尺度条件下无法正确提取角点的问题,本文将经验模式分解(EMD)方法运用到二维图像特征点提取中。先利用二维EMD方法将图像分解到多个图像细节层,并定义为本征模函数(IMF),再利用Harris算子对各图像细节层进行角点检测,最后采用层层筛选的方法提取角点。对比实验结果表明,新算法得到的角点更加丰富,抗噪性增强,明显提高了图像角点检测性能。

基于自适应Harris角点检测的掌纹定位方法

分析Harris角点检测算子的实现原理及其应用于掌纹定位中时的不足,提出了一种基于自适应Harris角点检测的快速掌纹定位算法,该算法可以人为选择感兴趣区域进行检测,然后利用角点进行定位。有效地避免了掌纹定位过程中二值化,边缘检测等一系列复杂的过程,并且克服了检测过程中的角点簇拥,计算量大的缺点。实验结果表明,该方法进行的掌纹定位非但计算量小,处理速度快,而且检测出的角点分布均匀合理,能更好的适应图像定位等一系列的应用。

基于Harris角点和最大互信息的多模医学图像配准

介绍了一种基于最大互信息原理的图像配准技术。针对基于最大互信息图像配准的不足,研究了基于Harris角点算子的多模态医学图像配准。在计算互信息的时候,采用部分体积插值法计算联合灰度直方图。在优化互信息函数的时候,采用了改进的遗传算法将配准参数收敛到最优值附近。实验结果表明,该方法具有较高的配准精度和稳定性。

改进Harris角点检测算法的零件形状识别

提出一种基于改进的Harris角点检测的零件形状识别算法。通过获取图像、灰度转换、去除噪声、提取角点、去除伪角点等步骤,对静态图像进行形状识别。采用B样条函数取代高斯函数对图形进行平滑滤波。由Matlab仿真实验结果可知该方法具有实时性强、准确性高等特点。

车辆的Harris与SIFT特征及车型识别

针对现有车型识别的准确性和实时性不能同时满足要求的问题,提出了复合的图像匹配模型与识别方法.先应用Harris角点对车型初分类,再应用SIFT特征进行细分类,该方法与只利用SIFT特征进行识别的方法相比,在保证识别准确性基本不变的情况下,处理时间减少了近2/3,实时性得到较大改善.

基于Harris角点的图像匹配算法

提出了新的基于特征点的高速图像匹配算法。该算法把角点特征和灰度值特征结合起来,定义了一种基于Harris角点的灰度值特征,并充分利用角点灰度值以及角点周边灰度值和位置信息,然后依据这些信息进行匹配。实验结果表明,该算法不仅速度快,而且对灰度值分布不均图像和含噪图像的匹配同样适用。

基于Hough变换和Harris检测的光学验潮方法研究

在海洋测绘和水域监测领域经常需要测量潮位信息,提出了一种利用图像处理进行标尺刻线检测的方法,使用摄像机拍摄固定在水中的标尺,通过读取标尺视频序列、基于Hough变换和Harris检测对标尺刻线进行识别计算,从而获得潮位线位置。通过水面实验证明了该方法具有较高的实用性。

基于改进的Harris算法检测角点

传统的Harris角点检测算法检测效果比较理想,也有较高的重复率,然而其角点提取的效果几乎完全依赖于非极大值抑制过程中阈值的设定,当参数不改变时,并不具有旋转不变性。文中提出了一种改进的Harris算法,通过二次非极大值抑制,有效地避免设置阈值这一难点;同时,在不改变任何参数的情况下,明显地减小了图像旋转前后角点提取的差异。通过对比实验表明,本算法简单易操作,提取角点非常有效,相较于传统的Harris算法具有更好的角点检测性能。

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。

视频消旋系统中改进的Harris角点提取算法研究

针对传统Harris角点检测方法重合度低,不能满足视频消旋系统需求这一问题,本文提出了一种改进的Harris角点提取方法。首先将原来的梯度算子改为Prewitt差分模板,增强了Harris角点算子的旋转不变性,提高了Harris角点提取算法的重合度。同时改变传统Harris角点提取方法中的滤波窗口,减少了特征点提取的计算量。实验结果表明:该方法将传统Harris角点提取方法的吻合度提高了11%左右,提取到的图像角点不仅精确度高,且伪角点少。运算时间降为原来的30%左右,能够更好地选取特征区域,从而满足视频电子消旋算法对旋转不变性和实时性的需求。

基于改进Harris算法的汉字图像角点检测

根据汉字图像的特点,借鉴加速分割检测特征算法的思想,提出一种改进的Harris算法对汉字图像进行角点检测。首先,计算像素值初步判断出非角点并排除;然后,通过计算传统Harris算法中的角点响应函数对剩余的像素进行角点检测;最后,借鉴加速分割检测特征算法的思想对伪角点进行删除。最终检测出的角点是汉字笔画的起点和末端的角点,为下一步特征提取中确定线段的位置和计算线段的长度提供有利的技术基础。通过对一定数量的汉字图像的实验仿真,将本文方法与几种常用的角点检测方法进行比较,本文方法在检测正确率方面有所提高,但在运行时间上没有达到最短,综合考虑正确率和运行时间,本文方法较其他几种方法有所提高。

基于Harris的多基元检测改进算法

为了解决传统三维重建研究中光滑物体表面特征提取较难,重建效果不理想等问题,提出了一种对角点、边缘点同时进行特征提取的Harris改进算法,该算法通过一阶微分来实现图像二维信息的多基元检测,从而增强之后的三维重建效果。最后通过仿真实验证明文中提出的Harris的改进算法能够有效的进行多基元提取并最终得到理想的重建结果。

分块的基于Harris角点检测的图像配准方法

传统的Harris角点检测选用全局的阈值且不具有尺度不变性,对于较大的图像会导致检测的角点分布不均、错检等问题,为此提出一种新的基于多尺度的Harris角点检测的图像配准方法。首先将图像分块,并对其进行相应排序,根据局部阈值来提取Harris角点,然后根据图像特征点的最邻近和次邻近距离之比来确定初始匹配,最后利用特征点附近的灰度信息来实现进一步的配准。实验证明该方法使得图像配准精度和配准效率得到了极大提高。

结合Harris角点的栅格状雷达的检测方法

栅格状雷达是现实中应用比较广泛的一种雷达,在复杂形变和场景下对其的检测具有重要的意义.阐述了一种新的栅格状雷达的检测方法,充分挖掘栅格状雷达的特征、提高了检测的鲁棒性和准确率.该方法首先对原图像进行一定的预处理以强化图像中的栅格形状特征,综合运用霍夫直线检测和Harris角点检测提取出直线交叉点等处的强角点,然后根据强角点的分布规律和密集程度,并结合基于颜色和位置的聚类结果,运用一定的判别准则判断图像中的图像中是否有雷达,并且在图像中有雷达的情况下将雷达区域分割出来.在由80张含有雷达和80张不含雷达的图片库上实验,在图像中有雷达时识别正确且分割区域正确的准确率可以达到88.75%,与经典算法"BOF+SIFT"和"HOG"相比拥有更好的性能;并且本方法针对亮度、尺度和旋转均具有不变性.