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。

基于过渡区提取的多阈值图像分割

对基于过渡区提取的多阈值图像分割算法进行了研究 .首先使用局部熵方法提取过渡区 ,然后构造对称非最大抑制滤波器检测过渡区直方图的多个峰值 ,最后使用考虑差异度与位面数的代价函数决定最优类别个数及多分割阈值 .实验研究表明 ,算法得到的阈值准确、稳定 ,较好地解决了基于过渡区提取的图像分割方法中的多阈值分割问题 ,同时也为多阈值图像分割提供了一种新的思路 .

一种自适应非极大值抑制边缘检测算法及FPGA设计实现

边缘检测是机器视觉和计算机视觉处理的基础性工具,其效率和效果直接影响了后续图像处理的质量及视觉系统的整体响应时间.用FPGA平台固化边缘检测算法可以大大提高算法的效率.Sobel算法计算简单,但其检测出来的边缘粗,同时现有FPGA平台上采用的固定域值、经验阈值的实现方案通用性较差.为此,本文采用非极大值抑制方法来改进Sobel算子,并运用一种基于梯度直方图的二阶导数最大值的阈值选取策略使算法具自适应性.在FPGA平台上,采用流水线及分布式策略设计出边缘检测算法的并行运算电路.仿真结果表明与现有FPGA平台上的Canny与Sobel算法相比,改进后的边缘检测方案在保证实时性的前提下,提高了边缘检测的质量,具备了自适应性、FPGA门资源占用少等特性.

一种改进的Harris角点检测算法

Harris角点检测算法是一种经典算法,但对于大尺度图像,误检现象比较严重,并且耗时过长.本文提出一种新的检测算法,通过对圆形区域进行非极大值抑制,能够明显地降低角点检测时间,并且能够有效地减少误检.同时,在不改变任何参数的情况下,对于图像旋转,能够明显地减小提取的差异.通过实验对比,本算法简单方便,提取角点也非常有效,相对于传统Harris算法具有更好的角点检测性能.

一种改进的基于Canny算子的图像边缘提取算法

针对Canny边缘检测算子用高斯函数作为滤波器会造成缓变边缘丢失及假边缘现象,提出用GCV阈值的小波滤波方法代替高斯滤波器来平滑图像,以有效地去除图像中的噪声,然后计算梯度算子的幅值和方向,最后用极大值抑制和高低阈值的方法检测及连接图像的边缘。实验结果表明,改进的算法提高了边缘检测准确性,获得比较理想的边缘检测效果。

一种基于双边滤波的图像边缘检测方法

提出了一种基于双边滤波的图像边缘检测方法。利用图像像素的空间邻近度和灰度相似度的乘积来代替传统的Canny算法中高斯滤波的权系数,用该乘积与原图像进行卷积运算,然后通过非极大值抑制和高低阈值的方法检测出图像的边缘。基于双边滤波的图像边缘检测方法不仅有效地去除了图像中的噪声,而且很好地检测出了图像的真实边缘。

一种基于多尺度梯度的边缘提取方法

通过扩展传统的基于梯度的边缘提取方法,提出一种新的简单有效的边缘提取方法。根据梯度在边缘处的响应,基于不同尺度的梯度的有机结合得到一种新的边缘特征定义。该表示方法具有自适应性,然后结合非最大抑制的思想得到响应大的位置,即自适应地将局部极大信息确认为边缘,从而得到具有鲁棒性的边缘提取结果。实验表明,该算法的性能优越,对噪声不敏感。

完全基于边缘信息的目标靶快速分割算法

为了快速准确地分割提取目标靶,实现实时处理要求,提出了完全基于边缘信息的目标靶快速分割算法。首先采用基于邻域权值的非极大值抑制法细化Canny算子检测的边缘,并引入断点检测思想,通过构建追踪区域实现断点边缘追踪及连接,而后通过设置四向扫描长度总阈值,对边缘像点实行四向同步扫描填充,最终实现目标区域的准确分割。实验结果表明:相比其他分割算法,本文算法在分割正确率上具有较大优势,且采用较强的并行运行策略,提高了运行效率,达到了目标靶分割提取的实时性要求。

基于自适应滤波的单像素宽形态学边缘检测

为了进一步提高边缘检测算法的抗噪性和定位精度,提出了一种基于自适应滤波的单像素宽形态学边缘检测算法。首先,分别对图像进行中值滤波和加权均值滤波,并通过自适应调整中值滤波结果和加权均值滤波结果所占的权重抑制脉冲噪声和高斯噪声。然后根据不同取向的结构元素可以有效地检测出不同走向的边缘细节这一特性,定义了一种具有方向估计的形态学梯度,并利用其检测图像的边缘,最后沿梯度方向进行非极大值抑制以获取单像素宽边缘。实验结果表明,本文算法不仅能够准确地检测图像边缘,而且具有较好的抗噪性能,处理速度也较快。

基于改进的形态学灰度图像边缘检测算法

针对传统形态学在边缘检测算法上存在的检测边缘错位、较粗等缺点,在传统形态学的基础上,提出了一种具有方向估计性的梯度算子。该算法通过改进的梯度算子及多结构元素模式来获取梯度方向,并沿边缘梯度方向进行非极大值抑制,以此细化边缘宽度,最终获取图像边缘。实验结果表明,相对传统形态学边缘检测算法,该算法具有更精细的检测结果与较强的抗噪能力。

基于统计的显微图像边缘检测阈值分析方法

针对复杂噪音干扰的显微图像,提出一种新的基于统计原理的边缘检测阈值分析方法.应用统计函数提取图像中梯度大的一个区域,再由非极值抑制算法提取边缘像素.在选择阈值前,对每一像素的梯度值进行局部标准化,去除模糊和全局阈值选择的不合适性.所做分析的统计特性使得输入参数的选择对噪音图像具有鲁棒性,能有效处理图像中的随机噪音.实验结果表明,所提出的算法具有稳定性强、鲁棒性好的特性.

一种基于统计的图像边缘检测方法

提出了一种基于统计的图像边缘检测方法。它首先通过计算图像中每一点的梯度向量以及方差—协方差矩阵,然后对每一点的梯度向量进行非极大值抑制,最后使用统计的方法求出局部标准化梯度阈值来检测图像的真实边缘。通过与经典的边缘算子相比较,该方法不仅能很好地检测出图像的真实边缘,而且有效地抑制了虚假边缘的产生,取得了良好的效果。

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。

一种面向图像拼接的快速匹配算法

针对图像拼接中尺度不变特征变换(Scale invariant feature transform,SIFT)算法的计算复杂度高、实时性差和误匹配等问题,提出了一种基于自适应非极大值抑制(Adaptive non-maxima suppression,ANMS)的Radon-SIFT方法。首先采用SIFT特征检测提取初始特征点,并用ANMS对初始特征点进行优选,得到分布均匀的特征点集;在特征区域内做一系列直线,以这些直线上的Radon变换值作为特征描述符,以欧氏距离为度量准则进行特征匹配,然后采用随机抽样一致性(Random sample consistency,RANSAC)算法剔除误匹配点,从而提高了算法的正确匹配率和运算速率。仿真结果表明,该文算法具有较高的精度和较强的鲁棒性,且运算量少,实时性强。

基于局部邻域像素的快速时空特征点检测方法

针对时空特征点检测算法计算效率较低和特征点冗余度较大的问题,提出一种基于邻域像素的快速时空特征点检测方法.通过寻找三维时空中局部邻域内像素值差异较大的点以快速定位时空特征点,然后采用非极大值抑制的方法剔除其中的冗余点,将筛选后的时空特征点用于人体行为识别.此外,还根据二项分布原理研究特征点检测中邻域像素分割阈值的取值范围及其它检测参数优化问题.实验结果表明该算法具有较高的检测速度,既能稳定提取足够数量的特征点又能降低其冗余度,在行为识别中也保持较高的准确率.

一种基于改进非极大值抑制的农作物病斑检测方法

针对传统边缘检测算子在植物病斑检测过程中抗噪性能差、自适应能力较弱、处理过程中采用的非极大值抑制方法容易导致伪噪声边缘出现等问题,提出了一种线性插值的非极大值抑制改进方法.该方法首先在预处理过程中使用改进的形态学滤波法替代高斯滤波,然后通过引入插值因子与邻域相关系数,将8个邻域简化为4个邻域,进行计算插值的梯度幅值与目标点的比较,替代传统方法中直接沿着梯度方向与邻域值相比较.实验结果表明:改进后的方法在抑制伪边缘点出现与适应性方面有了较好的提升,对病斑部分的分割具有非常好的有效性、准确性和鲁棒性.

基于向量排序的图像边缘提取方法

在传统的图像边缘提取的过程中,往往只是注重像素点的灰度值,忽视了相邻像素点间的灰度跃变的方向信息,从而导致了得到的图像边缘的连接性不好,而且缺失了许多重要的细节。结合向量排序统计提出了一种新的边缘提取的方法,利用该方法分别得到图像R,G,B三分量的边缘强度,同时应用非极大抑制和自适应阈值对所得图像边缘进行处理,最后将处理后的三分量边缘信息融合,得到了最终的边缘图像。实验结果表明,该方法很好的保证了图像边缘的连续性和准确性。

基于阈值分割的影像建筑物角点提取算法优化研究

对Moravec和SUSAN这两种经典的特征提取算法进行了深入研究,以Matlab软件为实验平台,验证了它们的可行性。通过对实验结果的比较,分析了Moravec算子中运用"抑制局部非最大"思想的优势、局限性和适用性;在SUSAN算子中通过考虑提取过程中的误差影响因素,为算法中几何阈值和灰度阈值的确定和模板选择提供了依据,对其影响范围进行了定量分析。指出在两种算法实现过程中,Moravec算子由于对如何确定判断窗口的大小不能给出可靠的依据,加之缺少对影像的先验知识,无法了解研究区域角点分布状况。因此,仅仅用这种方法很难获得完全准确的角点特征;对于SUSAN算子,根据分析结果对几何阈值加设一个下限d,在很大程度上排除了孤立噪声点的干扰;并运用"重心距离法",即通过判定SUSAN重心与核心点连线上的像素点的边缘初始值的相近条件,消除了虚假的角点,从而实现了对算法的优化。

一种基于统计的边缘阈值检验新方法

提出了建立在统计分析的基础上边缘阈值检验方法,每个像素的阈值由像素所处的梯度矢量的统计特性决定,这些梯度矢量的统计量用来确定边缘像素选取是否合理,从所获得的结果来看,该方法与以往的边缘检测方法不仅是一致的;而且,该方法输入参数值产生的结果比其它几种边缘检测方法更稳定。

基于分数阶差分滤波器的边缘检测算法

针对边缘检测中存在的噪声敏感性问题,基于分数阶差分滤波器,并结合非局部最大抑制和双阈值分割方法,提出了一种改进的边缘检测算法。先介绍分数阶差分滤波器的设计原理并分析了滤波器长度和阶次的选择,再结合非局部最大抑制原理以及双阈值分割法,给出了改进算法的边缘检测步骤。由实验分析可知,在有噪声情况下,改进的算法比Sobel算法、Canny算法和LOG算法具有更高的峰值信噪比,得到更好的边缘检测效果。