激光成像引信的目标识别方法研究

为了高效准确地滤掉云烟雾等悬浮粒子,减少对激光成像引信工作的影响,采用了改进的Harris+最小核值相似区域(SUSAN)角点检测算法与矩形度结合的目标识别方法。改进算法在原有Harris和SUSAN算法基础上,利用8邻域模板标准差对目标像素点进行初次筛选获得候选角点,经高斯滤波后,利用改进的角点响应函数值进行二次筛选,再通过非极大值抑制得到最终角点,最后利用矩形度对目标与干扰进行二次区分。通过理论分析和实验验证可知,95%的目标能被有效地识别出来。结果表明,该方法能高效准确地区分目标与干扰,同时满足实时性要求,为激光成像引信抗干扰方面提供了一定的理论参考。

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。

一种快速检测图像角点特征的线搜索式方法

传统的图像角点特征检测方法在速度和准确性两方面难以兼顾.针对该问题,提出了一种角点特征检测的线搜索式方法.该方法作用于一个以当前像素为中心核的圆掩模,在该掩模内搜索通过核的所有直线,如果存在一条直线不穿过核附近给定邻域以外的其他同值收缩核(Univalue segment assimilating nucleus,USAN)区域,则当前像素点为角点.论文论证了使用有限数目搜索线的可行性与必要性.采用由粗及细的搜索策略,动态设计搜索线的数目与搜索线上的检测点数目,以提高检测速度.提出了一种基于最大同值距离的新型非极大值抑制进行角点的精确定位,并结合多种新型伪响应抑制措施,有效地提高了算法的准确度.实验结果表明该方法在准确性方面优于MIC、SUSAN和Harris等算法,而且速度快,仅稍慢于MIC算法,具有优良的综合性能.

SUSAN算子在苹果图像缺陷分割中的应用研究

该文介绍一种新的分割算法-SUSAN算子。SUSAN算子是一种基于图像局部灰度特征的算法,利用一个圆形的模板对图像进行扫描,比较模板内部的点与模板中心点的灰度值,如果灰度差值小于一定的阈值,就认为该点与中心点的灰度相同。统计模板内部与中心点灰度相同的点的个数,与一个阈值进行比较,判断该点是否属于某个区域的边缘点,从而实现对图像的分割。应用SUSAN算子对苹果图像的缺陷区域进行分割,可以快速准确地分割出苹果图像上轻微的损伤。经过对100幅图像的检验测试,得出分割准确率为96％。

一种复杂背景中的人脸检测与验证方法

设计了一种复杂背景中的人脸检测与验证方法。在预处理部分该方法使用了线性光照拟合的预处理方法以减轻光照的影响。在检测过程中该方法引入了一种 3× 3的划分方式 ,该划分方式下根据人脸器官的灰度分布特性设计了相应的检测规则 ,并结合改进后的 4× 4划分方式下的人脸检测规则构成了最终的人脸检测规则。经过人脸检测过程后 ,对所得的结果使用具有良好抗噪声性能的最小同值分割吸收核区 (Smallest univalue seg-mentassimilating nucleus,SUSAN)方法进行检测结果验证 ,进一步增强了系统的整体性能。最后通过复杂背景下的人脸图片以及叠加噪声后的人脸图片的检测结果说明该方法具有较高的检测率及良好的抗噪声性能。

基于分割模板加权Hausdorff距离矩阵的特征匹配算法

针对电视制导系统图像匹配时遇到的大比例目标遮挡以及严重噪声干扰等情况,提出一种基于分割模板加权Hausdorff距离(HD)矩阵的特征匹配算法。将模板分割为若干个子模板;利用最小核相似区检测角点(SUSAN)算子提取图像的角点;分别计算子模板与搜索图像对应区域的基于角点响应函数的加权HD,构造出HD矩阵;经过角点密度矩阵修正得到相似性度量,采用Frobenius矩阵范数求得矩阵的最佳解,即对应于最佳匹配位置。在目标跟踪实验中加入大比例遮挡及严重斑点噪声(n=10),当模板与对应区域的特征点数量相差达到-43.75%～56.25%时,仍然可以实现配准。

基于USAN的棋盘角点检测算法

根据棋盘角点USAN区域几何结构的对称性,提出基于USAN的棋盘角点检测算法,该算法原理简单,容易实现,不仅能快速检测到角点,而且具有旋转不变性,用他可以检测实际拍摄的棋盘图像。通过实验结果表明该算法能快速准确地检测到从各个角度拍摄的棋盘图像的内部角点,有很强的实用性。

基于形状的高分辨率遥感图像特征提取方法

基于内容的图像检索的关键在于对图像进行特征提取。提出一种基于形状的高分辨率遥感图像特征提取方法。首先使用最小吸收同值核区SUSAN(Smallest Univalue Segment Assimilating Nucleus)算子对高分辨率遥感图像进行边缘检测,生成边缘图像。之后,对边缘图像计算其不变矩,作为该遥感图像形状特征的描述向量。试验结果说明,所使用的方法计算简便,速度快,而且该描述向量能够很好地代表图像的特征,具有较高的应用价值。

线搜索式角点检测方法的参数自适应设计

针对线搜索式角点检测方法存在全局固定阈值对实际图像的光线不均匀等不良现象适应性不足的问题,提出了有关参数自适应的设计方法。在原角点检测基本方法的基础上,首先根据局部区域的对比度信息,设计了同值收缩核(USAN)阈值的自适应动态产生方法。其次,给出了高斯去噪的实施建议,以提高线搜索式角点检测方法的抗噪性能,并给出了其他参数值的动态取值建议。实验结果表明,在本文的参数自适应设计方法下,线搜索式角点检测变得更为实用方便,比原固定阈值的基本方法更能适应光线不均匀现象,对于内容、品质差异较大的图像无需频繁调整参数,仍能保持很高的正检率水平,同时伪响应也处于可接受的水平。

点对核值匹配的角点检测

针对SUSAN法检测X型角点能力较弱的问题,提出一种新的角点检测算法。在圆形模板区域内引入点对的概念,通过建立核值与点对的匹配规则来检测角点。给出了一个模板响应公式,加大了各点模板响应值的差别,提高了算法的抗干扰能力。实验结果表明,该算法对复杂的X型角点和普通角点均具有较好的检测效果。

一种基于线特征的快速角点检测算法

为了提高角点检测的准确性和快速性,通过分析穿过角点的直线所具有的特性,提出了一种基于非终结线数目的快速角点检测算法。该算法以当前像素为核心作用一个圆形模板,计算穿过核心的非终结线的数目换算值,当该值位于给定的阈值范围内时,则当前像素为角点。针对伪响应,提出了一种基于非终结线均匀程度的非极大值抑制方法。通过实验验证了新算法的可行性,以及在准确性和快速性上所具有的优点。

基于改进SUSAN算法的红外目标边缘检测

从3个方面改进了传统的SUSAN算法:①自适应选取阈值,以提高算法自动化程度;②使用双几何阈值,增强算法的抗噪性;③加入目标点判断因子,减少计算时间。利用改进的算法进行了红外目标边缘检测,结果表明,改进算法比传统的SUSAN算法有更强的噪声抑制能力,更快的边缘检测速度,显示出更加优良的性能。对对比度比较低的红外图像,改进算法可以减少40%以上的计算时间,而对对比度较高的红外图像,改进算法可以减少70%以上的计算时间。

基于最小核值相似区算法的高分辨率遥感图像分割方法

采用最小核值相似区算法(Smallest Univalue Segment Assimilating Nucleus,SUSAN)计算QuickBird图像的梯度,并采用标记控制的分水岭变换(Watershed Transform,WT)算法分割图像,取得了较好的结果。SUSAN方法能有效地检测图像梯度,对噪声不敏感;梯度值范围明确,不因图像而改变,为后续处理相关参数的选择提供了便利;亮度阈值容易确定,模板半径可选,具有很大的灵活性;适合于采用WT的遥感图像的分割。采用基于SUSAN梯度和NDVI的标记图像,利用形态学灰度图像重建方法修改梯度图像,能够有效地抑制梯度图像中大量的局部灰度极小值,提高WT图像分割的精度。

基于高斯变换的多尺度SUSAN角点检测方法

针对传统SUSAN算子只能在单一尺度下检测图像中角点的不足,提出一种基于高斯变换的多尺度SUSAN角点检测方法。该方法利用高斯变换获得待检测图像的多尺度分层图像,以构建高斯金字塔,结合自适应阈值的SUSAN算子检测出不同尺度下的角点作为候选角点,将其还原到原始图像中的相应位置构成候选角点集,在候选角点集中经小邻域信息筛选获得最终角点。实验结果表明,该方法不仅能够在不同尺度下有效获取有用的角点信息,而且提高SUSAN算子正确率的同时,降低了角点的伪检率。

基于四元数的改进型最小核值相似区边缘检测

针对基于亮度和色度的彩色图像边缘检测在检测过程中忽略亮度和色度之间关联性而导致部分边缘不能有效地被检测出来的问题,提出了一种基于四元数的改进型最小核值相似区(SUSAN)边缘检测算法。首先,利用四元数矢量旋转原理将HSI颜色空间的三维信息映射成二维平面信息实现空间降维,同时引入标量V来综合表示H、S、I三通道之间的关系;然后,将标量V作为算子的核函数;最后,利用改进的SUSAN算子完成图像的边缘检测。实验结果表明,提出的算法针对色度相同、饱和度存在差异以及饱和度相同、色度存在差异的彩色图像,在边缘检测的定位误差率上降低了1.5%。在实际的应用中,能够更好地获得图像中的目标信息,同时也为后续的分割和识别研究提供更好的先验知识。

决策边缘特征检测算法DSUSAN

在SUSAN边缘特征检测算法的基础上,分析研究其存在的缺陷,提出决策边缘特征检测算法DSUSAN,给出了DSUSAN算法的检测过程,并利用Matlab软件进行原始图像、加噪图像的对比实验。结果表明,该算法在检测边缘细节特征上比SUSAN算法有较大改善;同时,该算法未明显增加运算量,具有检测准确、高效、易于实时运算的优点,算法的噪声抑制能力也较好。

SUSAN边缘响应值灰度化转共生矩阵检索

SUSAN初始边缘响应矩阵元素值对应USAN中像素点总数,该统计值与响应矩阵元素分布均体现图像特征。若将该统计值视为灰度值,则响应矩阵中的元素分布特征可以视为灰度矩阵中的纹理特征。提出SUSAN边缘响应值灰度化转共生矩阵检索算法,即先计算图像的SUSAN边缘响应矩阵,再按映射规则转换为灰度矩阵,然后计算灰度共生矩阵及其各特征描述子,最后进行特征检索。实验显示,该算法的查全率与查准率在检索结果数量达到某临界点之后较为满意,且体现一定的仿射变换、亮度变化等不变性与抗噪鲁棒性。

一种接口兼容的非接触式呼吸信号检测系统的设计与研究

呼吸运动引发的体内脏器移位极大影响高强度聚焦超声(HIFU)肿瘤治疗系统的安全性和治疗效率。解决这一问题的关键是实时、准确的呼吸信号检测。以一定角度,用激光束在人体表受呼吸运动影响较大的部位(一般是胸部或背部)投射激光点,用摄像机采集激光点位置信息。描绘激光点位置与采集时刻的关系曲线,即呼吸曲线。该呼吸信号检测方法为非接触式,同时具有接口兼容性好的优点,便于集成到治疗系统中。