基于各向异性高斯核的多尺度角点检测

Moravec角点检测是一种经典的角点检测算法,它认为角点是各个方向亮度变化足够大的点,但该算法不具有尺度变化特性。提出了基于各向异性高斯核的多尺度角点检测算法。利用小尺度高斯核定位准确,大尺度下抗噪声能力强的特点,对图像进行多尺度多方向分解;在每个尺度下,保留每个像素最小的幅度值,对其进行非极大值抑制。将小尺度下检测到的点作为候选角点;在大尺度下,观测候选角点的邻域内是否有极大值点出现,若存在,判定该点为角点,若不存在,将其剔除。与最著名Harris角点检测算法相比,新算法可以在不同尺度下获取角点,克服了单一尺度的Harris算法可能存在的角点信息丢失、角点位置偏移和易受噪声影响而检测出伪角点等缺点;在无噪或加噪条件下,新算法的检测性能有明显地提高。

一种基于各向异性高斯核核惩罚的PCA特征提取算法

提出了一种基于各向异性高斯核核惩罚的主成分分析的特征提取算法.该算法不同于传统的核主成分分析算法.在非线性数据降维中,传统的核主成分分析算法忽略了原始数据的无量纲化.此外,传统的核函数在各维度上主要由一个相同的核宽参数控制,该方法无法准确反映各维度不同特征的重要性,从而导致降维过程中准确率低下.为了解决上述问题,首先针对现原始数据的无量纲化问题,提出了一种均值化算法,使得原始数据的总方差贡献率有明显的提高.其次,引入了各向异性高斯核函数,该核函数每个维度拥有不同的核宽参数,各核宽参数能够准确地反映所在维度数据特征的重要性.再次,基于各向异性高斯核函数建立了核主成分分析的特征惩罚目标函数,以便用较少的特征表示原始数据,并反映每个主成分信息的重要性.最后,为了寻求最佳特征,引入梯度下降算法来更新特征惩罚目标函数中的核宽度和控制特征提取算法的迭代过程.为了验证所提出算法的有效性,各算法在UCI公开数据集上和KDDCUP99数据集上进行了比较.实验结果表明,所提基于各向异性高斯核核惩罚的主成分分析的特征提取算法比传统的主成分分析算法在9种公开的UCI公开数据集上准确率平均提高了4.49%.在KDDCUP99数据集上,所提基于各向异性高斯核核惩罚的主成分分析的特征提取算法比传统的主成分分析算法准确率提高了8%.

基于参数自适应各向异性高斯核的散乱点云保特征去噪

为解决传统点云去噪算法造成的过光顺及局部失真问题,提出一种基于各向异性高斯核的散乱点云保特征去噪算法。根据邻域点在其切平面上的投影和采样点法向构建信息相似度函数,并通过信息相似度函数定义有效邻域;应用主元分析理论研究曲面采样点、棱线采样点和角点的特征值及特征向量的分布特性;在此基础上构建以协方差矩阵的伪逆矩阵为带宽矩阵的参数自适应的各向异性高斯核函数,并将其与双边滤波算法结合用于散乱点云去噪。实验结果表明,该算法能够根据点云的局部分布特性自适应地调整滤波主方向和各主方向的衰减速度,在实现散乱点云去噪的同时可有效保持点云模型的原始尖锐特征。

基于多尺度各向异性高斯核的彩色图像边缘检测算法

文中提出一种新的对噪声鲁棒的彩色图像边缘检测算法。该算法利用多尺度乘积作为提取彩色图像的边缘映射的测度。首先,分别利用单尺度各向异性高斯核的方向导数计算彩色图像的边缘强度映射后再求取尺度乘积的均方值,然后通过非极大值抑制找出候选边缘像素点,最后在高低门限值的约束下去除伪边缘像素点,通过滞后判定实现边缘连接并将边缘图作为掩码与彩色图像结合形成彩色图像边缘图。与Canny算法相比,该算法通过多尺度高斯核的结合得到较好的边缘分辨率,同时引入依赖于噪声的高低门限来控制虚假边缘的发生可能性。

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。

加权组合多尺度各向异性高斯核对象轮廓检测

为了同时提高图像中对象轮廓检测的噪声抑制和边缘定位能力,提出一种基于加权组合多尺度各向异性高斯核的对象轮廓检测算法。首先利用不同尺度各向异性高斯核方向导数滤波器获得图像中不同方向上的多尺度局部边缘特征信息;然后,利用加权组合方式把不同尺度局部边缘特征信息进行融合,获得图像的边缘强度映射图。最后,对融合后图像边缘强度映射图进行非极大值抑制、阈值处理和形态学细化与连接操作,获得图像中对象轮廓检测结果。与经典和最新的边缘检测算法相比,本文方法在对象轮廓提取中的噪声抑制和边缘定位精度上具有明显优势。

基于多尺度各向异性高斯核主方向角度变化的角点检测

角点检测在图像分析和计算机视觉领域有着及其重要的作用。各向异性高斯方向导数(AGDDs)可以很好的提取不同方向的图像局部灰度变化信息,并且具有很强的噪声鲁棒性,在对不同尺度下的轮廓信息和各向异性高斯方向导数进行研究后,将两者相结合提出了一种基于多尺度各向异性高斯核主方向角度变化的角点检测算法。该算法可以有效的降低角点检测的误检率。实验采用了两幅标注了真实角点测试图,在无噪声和加入不同等级噪声的情况下,对该算法和其它三种经典的角点检测算法从角点检测的能力和角点定位的精度进行对比。实验表明,研究所得的算法对于角点的检测具有更好的噪声稳健性和更低的误检率。

各向异性光流法的目标边缘检测

光流法是在图像序列中对二维物体的运动矢量估计,用经典的HS算法计算时,目标与背景对比度小或有噪声将导致较大的虚警概率。而运用各向异性高斯核,运用非极大抑制条件,可以较好的抑制噪声,同时也保留了目标边缘,进而提高了梯度偏导的准确度。较好地解决了微分光流法的不足,从而提高了计算精度。最终对序列图像中动目标的边缘检测进行了方法改进,Gabor函数的替换以及实验表明算法的有效性。

结合邻域方差和各向异性窗的引导滤波算法

针对引导滤波会导致边缘附近出现光晕且难以识别精细边缘的问题,提出了一种结合邻域方差与各向异性窗的引导滤波算法.首先,利用各向异性高斯滤波器的方向选择性实现对边缘的精细识别,并利用滤波器的狭长空域结构可实现局部窗口内不同像素信息融合,以抑制边缘模糊和光晕效果;其次,基于局部结构相似性原理,引入邻域方差以实现对局部线性变换参数的优化,同时保证强边缘结构和非边缘区域的最大扩散.实验结果表明,在102类花卉图像数据集上,文中算法的视觉效果、定量评价(PSNR和SSIM)均优于其他边缘保持滤波算法,并且测试图像的失真度比引导滤波、加权引导滤波和各向异性引导滤波分别小46.72%,48.64%和29.61%,能够在识别精细边缘的同时有效地抑制伪影现象的发生.

基于边缘信息的RGB-D图像超像素分割算法

针对简单线性聚类算法(SLIC)中需要初始预设超像素个数和大量重复聚类计算的问题,提出一种基于边缘信息的RGB-D图像超像素分割算法。利用各向异性高斯核提取彩色图像中边缘强度信息,在此之上,自适应地提取图像的初始聚类中心。仅对位于图像边缘附近的像素点进行重新聚类标记计算,这种策略在保证聚类准确的同时,大大降低了重新聚类计算的复杂度。同时,本文提出一种基于边缘信息的距离度量准则来度量两个像素点之间的空间距离。在公开的图像数据集上的实验结果表明,相比其他几种算法,本文算法的分割结果更能反应出场景中物体的轮廓信息,而且算法效率更高。

抑制SAR图像相干斑的迭代方向滤波算法

为保护SAR图像边缘特征并有效提高对乘性相干斑噪声的抑制性能,该文提出一种基于迭代方向滤波的抑制图像相干斑新算法。该算法先借助高斯-伽马平行窗估计出的比率边缘强度映射(ESM)与方向信息,自适应地控制各向异性高斯核(AGK),生成沿ESM方向分布的具有各向异性支撑区域的局域窗。然后将SAR图像多种局部统计参量联合作为衰减因子,形成与SAR图像区域分布特性相适应的负指数衰减型加权系数,进而将负指数衰减型加权系数与局域窗带方向的各向异性支撑区域结合形成局域加权的方向滤波。最后对SAR图像迭代地进行方向滤波即可实现带边缘保护的相干斑抑制。实验结果表明,与多种抑斑算法相比,该文算法在SAR图像抑斑与边缘保护方面均获得了更好的性能。

仿射变换下基于凸包和多尺度积分特征的形状匹配方法

针对在仿射变换下的形状匹配问题,提出基于凸包的特征点提取方法、基于各向异性高斯核的多尺度积分特征和基于两者的匹配方法.首先提取形状的凸包,根据最大面积原则对凸包相邻顶点之间的曲线进行演化,获取的点和凸包顶点形成仿射不变的特征点;其次对特征点按顺序编组,根据特征点之间的仿射变换关系构造多尺度积分特征向量;最后使用动态规划算法计算形状之间的相似度.实验结果表明,该方法对局部形变和噪声敏感度小,并适用于复杂形状的匹配.此外,特征点提取方法和多尺度积分特征也可与其他方法结合进行形状分析.

基于B样条概率密度估计的纹理图像分类

提出一种基于B样条概率密度函数(PDF,probability density function)估计的复杂纹理图像分类识别方法,主要包括图像纹理PDF特征学习、表征以及纹理类型识别3个步骤。在图像纹理PDF特征学习和表征中,引入各向异性高斯导数方向滤波器获得纹理图像多尺度和多方向空间结构;然后基于预先固定的B样条基函数,将图像空间结构PDF估计转化为与基函数相对应的权值向量估计;之后采用最远邻聚类方法,获得图像空间纹理结构的PDF特征字典库;最后采用最近邻方法,获得各类纹理在特征字典库上的直方图分布表示。在纹理类型识别阶段,基于直方图距离测量结果实现纹理图像分类识别。在不同纹理图像数据库上进行了大量的验证性和对比性实验,实验结果表明所提方法的有效性和优越性。