二阶各向异性高斯导数滤波器的斑点检测算法

针对目前斑点检测算法对斑点进行定位和描述斑点形状的能力不足等问题,提出了一种基于多尺度二阶各向异性高斯方向导数滤波器的斑点检测算法。二阶各向异性高斯方向导数(SOAGDD)可以很好的提取不同方向的图像信息,并且可以很好的应对噪声干扰,采用多尺度二阶各向异性高斯方向导数滤波器对输入图像进行平滑处理,对处理后图像进行区域极值计算。实验证明提出的方法在兴趣点检测的定位、检测到的兴趣点的形状描述和图像匹配方面具有优越性。

利用各向异性高斯方向导数相关矩阵的角点检测方法

为了抑制图像边缘上的局部变化和噪声对角点检测的影响,提出了利用各向异性高斯方向导数自相关矩阵的角点检测算法.该算法首先利用Canny边缘检测器提取图像的边缘映射;然后用各向异性高斯方向导数滤波器对输入图像进行平滑,对每个边缘像素,利用它与相邻像素之间方向导数的相关性构造自相关矩阵;若边缘像素点的自相关矩阵所对应的归一化特征值的和是局部极大值,则标记该点为角点.与传统的基于轮廓的角点检测方法不同,文中提出的方法利用的是邻近像素的方向导数的相关信息,而不是轮廓曲线的曲率,因而具有更好的稳健性.实验结果表明:在无噪声和含噪声的条件下,该检测方法与已有的3种算法相比,平均配准角点数分别提高了7.4%和9.3%左右,平均定位误差分别降低了10%和15.2%左右.

基于各向异性高斯方向导数滤波器的角点检测

为了改进噪声鲁棒性和定位准确性,利用各向异性高斯方向导数滤波器,提出多方向角点检测算法.该算法利用一组各向异性高斯方向导数滤波器对输入图像进行卷积处理得到各个方向的滤波器响应.对于每个像素点,利用它与周围邻近像素点的滤波器响应的相关信息构造局部自相关矩阵,然后根据自相关矩阵归一化特征值及像素点处各方向滤波器响应,作阈值处理和非极大值抑制处理判定像素点是否为角点.实验结果表明,在无噪声和噪声的条件下,提出的检测方法与各向同性高斯核函数的Harris算法相比,配准角点数均提高6.0%左右,具有更好的检测性能.

基于各向异性高斯核方向导数滤波器的图像轮廓检测

针对图像轮廓检测中存在大量毛刺和虚假轮廓的问题,提出一种基于各向异性高斯核方向导数滤波器和图论方法的图像轮廓检测算法。利用各向异性高斯核方向导数滤波器提取图像中各个方向的变化信息,使用阈值化方法实现图像中轮廓的初始检测。将初始检测的轮廓转换成加权无向图表示,利用图论中提取最短路径的方法递归地将轮廓的无向图转换成最短路径的集合。最后,使用阈值化方法消除初始轮廓检测结果中的毛刺和虚假轮廓。将检测结果与现在广泛使用的Canny检测结果相比,该方法基本消除了真实轮廓附近的毛刺,大大减少了虚假轮廓,获得了更好的检测性能。

基于多尺度二阶广义高斯方向导数滤波器角点检测算法

检测性能良好的角点检测算法能够应对多幅图像中的不同特征及变化,且能够很好的检测图像中的不同或相似特征。二阶各向异性高斯方向导数(SOGGDD)可以很好的提取不同方向的图像信息,并且可以很好的应对噪声干扰,研究了,将不同尺度的图像信息和二阶各向异性高斯方向导数结合提出了一种基于多尺度二阶广义高斯方向导数滤波器的角点检测算法,该算法可以有效提高检测的平均重复性,有效应对不同条件的变化。实验采用了标准数据库和角点检测文献中的28张场景图进行比较。通过对该算法和多尺度Gabor角点检测算法进行平均重复性的对比,实验表明提出的算法具有更好的角点检测性能。

边缘线上各向异性高斯核信息熵的角点检测

为了提高角点检测的准确率,提出了一种基于图像边缘和各向异性高斯方向导数信息熵的角点检测方法.首先利用Canny边缘检测器提取图像的边缘映射;然后,填充轮廓曲线间的小缺口.对于每一个边缘像素,根据边缘像素及邻近像素最大方向导数所对应的主方向来计算主方向的分布概率和它的信息熵.不同于传统的基于轮廓的角点检测方法,该方法通过计算边缘像素及邻近像素的最大强度变化方向所对应的熵来检测角点.相比计算轮廓曲线上曲率的方法,具有更好的稳健性.实验结果表明,与现有的方法相比,该文提出的检测方法具有更好的角点检测性能.

基于各向异性高斯核的角点检测

提出一种基于各向异性高斯方向导数滤波器提取图像粗轮廓检测角点的方法。首先利用多方向的各向异性高斯方向导数滤波器提取图像多方向的灰度变化信息,然后利用像素间梯度相关性提取图像粗轮廓。最后在提取的图像粗轮廓的基础上构造自相关矩阵并求解其特征值,利用特征值归一化的乘积做为角点的测度。实验证明本算法具有噪声鲁棒性及角点定位准确性。

一种各向异性双窗非线性滤波的边缘检测算法

针对传统边缘检测方法极易受高斯噪声和椒盐噪声影响导致的伪边缘问题,提出一种各向异性双窗非线性滤波的边缘检测算法。首先,构建各向异性高斯双窗滤波器,并结合灰度分层技术计算每个像素的非线性方向导数向量和边缘强度图(Edge Strength Map,ESM)。然后,根据导数向量最大值估计边缘方向图(Edge Direction Map,EDM)。最后,通过非极大值抑制和双阈值决策获得最终的边缘检测图。对比实验结果表明,所提算法在无噪声、高斯噪声、椒盐噪声和混合噪声干扰的环境下表现优异,尤其在混合噪声下的边缘检测结果明显优于其他算法,具有较强的混合噪声鲁棒性。

基于自适应方向导数滤波器的彩色边缘检测

传统彩色边缘检测算法在提高边缘检测准确性时可能将噪声检测为边缘,而在提高噪声鲁棒性时会将部分边缘当作噪声进行抑制,导致部分边缘信息丢失。为解决传统彩色边缘检测算法在边缘检测准确性与噪声鲁棒性之间的矛盾问题,提出一种基于自适应各向异性高斯方向导数(ANDD)的彩色边缘检测算法。通过彩色图像的微分自相关矩阵构建反映边缘类型的度量准则,以自适应地确定每个像素处ANDD滤波器的形状,从而准确提取不同类型的边缘特征,采用ANDD滤波器组对图像进行平滑处理,提取在三个通道上的ANDD特征。在此基础上,利用奇异值分解得到最优融合权值,并融合三个通道的ANDD特征,以增强彩色边缘强度。实验结果表明,该算法在无噪声和含噪声环境下的Pratt品质因子分别为0.849 6和0.791 4,与彩色Canny、RCMG-MM和FRPOS算法相比,在保持较高边缘检测准确率的同时具有较优的噪声鲁棒性。

利用局部方向微分向量一致性的角点检测

在边缘轮廓提取的基础上,提出了一种利用局部方向微分向量一致性的角点检测算法以消除边缘噪声对角点检测产生的不利影响。该算法提取图像的边缘轮廓来降低算法计算量;利用各向异性高斯方向导数(ANDD)滤波器提取每个像素处的方向微分向量并进行幂次变换,以增强向量的各向异性;进而利用相邻像素的方向微分向量构建一致性测度。最后,对同一轮廓上的一致性测度进行均值归一化,得到最终角点测度。实验显示,提出算法的平均角点定位误差为1.52pixel,与对比算法接近;检测准确率分别比点到弦距离累积(CPDA)法、相对局部曲率(He&Yung)法提高了58%和5.5%,与归一化残余面积(RA)算法相等,同时角点错检率比He&Yung和RA少25.5%和21.6%。提出的算法能准确地检测出真实角点,并具有更小的错误检测率,更高的角点重复率,而且对边缘噪声十分鲁棒。

基于机器视觉的手机壳表面划痕缺陷检测

为解决手机壳表面缺陷检测采用人工目测法,检测效率低且漏检率高的问题,采用基于机器视觉的手机壳表面缺陷检测方法,实现产品缺陷的自动化检测。该检测算法采用八方向的各向异性高斯方向导数滤波器对图像进行卷积滤波,并做归一化处理;利用滤波结果图的直方图确定自适应阈值,并进行阈值分割;对图像进行细化后通过划痕缺陷长度特征进行缺陷的提取。实验结果表明,该划痕缺陷检测算法能够实现长度0.5 mm以上的划痕缺陷的准确检测,检测效率高,满足企业的实际需求。

基于多尺度手动和学习结合的角点检测

为了提取图像特征多方向的灰度强度变化,使检测结果更具鲁棒性,提出了一种基于各向异性高斯方向导数滤波器与学习结合的多尺度角点检测算法。该算法首先通过下采样构建3层图像金字塔,其中每层利用各向异性高斯方向导数滤波器获取每个像素点在8个方向的灰度强度变化;其次与图像进行卷积得到幅度响应;然后再输入卷积神经网络进一步学习;最后通过1×1的卷积输出角点响应。将实验结果与现有的基于深度学习的算法进行比较,提出的算法在重复性、平均精度、定位误差上都取得了较好的结果。

基于多方向结构张量积的快速角点检测算法

针对各向异性高斯方向导数滤波器运算量大、耗时长的问题,利用盒式滤波器拟合出各向异性高斯方向导数滤波模板,并结合积分图像,提出一种性能优良的快速角点检测算法。利用盒式滤波器设计了6个方向的导数滤波模板,并结合积分图像,快速计算输入图像在各个方向上的导数响应;基于角点的稀疏特性,提出一种候选点粗筛选机制,快速筛选出候选角点区域像素以减少后续运算所涉及的像素数量;针对每一个候选像素,利用各个方向的导数响应构建多方向结构张量积,生成角点测度。将提出的算法与9种经典的检测器在仿射变换、高斯噪声干扰等条件下进行性能评估,在尺寸不同的测试图集上进行耗时对比。实验结果表明,新提出的算法具有优良的检测性能,耗时少,满足实时处理的需求。

图像边缘轮廓自适应阈值的角点检测算法

目的基于边缘轮廓的角点检测算法的检测性能虽然相对比较稳定,但是它对边缘轮廓的局部变化敏感,并且只是给予一个经验门限去提取角点,为此提出一种对局部变化和噪声稳健的基于图像边缘轮廓自适应阈值的角点检测算法。方法该算法利用各向异性高斯方向导数滤波器对不同边缘和角点模型进行表征,提取表征边缘和角点的灰度及几何变化的不变属性,并通过正则化计算得到区别边缘和角点的自适应阈值。该算法首先利用Canny边缘检测器检测输入图像的边缘映射并从边缘映射中提取出边缘轮廓;然后利用各向异性高斯方向导数滤波器对所提取出的边缘曲线进行滤波平滑,计算出每一像素点的响应并与自适应阈值作比较,把响应大于阈值的点作为候选角点;最后,对候选角点进行非极大值抑制得到最终角点集。结果提出的算法分别与Harris算法,He&Yung算法,以及ANDDs算法在仿射变换和高斯噪声的实验环境下进行比较,其性能指标为平均重复率与定位误差;并且对每个角点检测算法在无噪声和有噪声的情况下进行了角点匹配比较。4种算法的两个指标的平均排名为Harris 3.375,He&Yung 2.625,ANDDs 2.625,本文算法1.375。本文算法在仿射变换以及高斯噪声的情况下有着良好的平均重复率和定位误差,优于其他3种算法。匹配实验中的错误点以及丢失点也少于其他3种算法。结论图像的特征检测在计算机视觉领域是一个重要的课题,在许多视觉系统中,检测特征往往作为复杂计算的第1步。因此,这一步的可靠性会极大地影响着视觉系统整体的结果。而角点作为图像的重要特征,对其研究具有重大意义。本文算法不同于传统的基于边缘的角点检测器仅利用边缘轮廓的信息,还利用到图像边缘像素的灰度信息。而且,本文算法还采用一个自适应全局阈值,避免了角点的误判。正则化的灰度变化有效减少了噪声或者光照对检测性能的影响。通过角点匹配实验、仿射变换实验以及高斯噪声实验,可以看出,本文的角点检测器拥有良好的检测性能,并且对噪声具有稳健性。