一个基于尺度空间理论的直方图定性匹配算法

设计并实现基于高斯尺度空间理论的直方图定性匹配算法.该算法首先建立灰度直方图的尺度空间,并提取各直方图在尺度空间中的特征,包括峰点个数、峰点线结构和峰点生命期等,然后利用这些特征匹配直方图.在同一内容的图像与不同内容的图像组成的图像库中,对直方图定性匹配算法进行了实验研究.实验结果表明,该算法可较好地解决图像内容恒常性问题.

基于尺度空间理论的角点检测

传统的Harris角点检测是一种经典的角点检测算法,但不具有尺度不变性。研究了一种基于尺度空间理论的Harris角点检测方法。建立Harris的尺度空间函数表示。利用多尺度分析的思想,使在小尺度上的角点精确定位和大尺度上的角点去伪存真。从而克服了传统的Harris角点检测可能存在的角点信息丢失、角点位置偏移和易受噪声影响等问题。试验结果表明,该算法明显地提高了图像角点检测性能。

一种基于尺度空间理论的高斯平滑方法

提出了一种基于尺度空间理论的高斯核离散化新方法，分析并导出了离散高斯核的解析表达式，实现了高斯平滑。给出了与传统方法比较的实验结果，证实其具有更高的计算精度和更优的平滑效果。

多尺度空间单元区域划分方法

传统空间单元的区域划分通常仅以属性数据作为划分依据，而对单元之间空间依赖关系考虑不周。在尺度空间理论基础上，提出多尺度空间单元区域划分方法，在考虑空间单元属性信息的同时，增加了空间单元的相互依赖关系，使得在空间尺度在由小变大过程中，具有高度空间相互依赖关系的空间单元相互融合，得到不同空间尺度下的区域划分。以江苏省从１９７８年到１９９５年的１８年社会经济发展数据为基础，进行了全省社会经济发展水平的区域划分的试验，结果表明与实际发展水平的分布情况相吻合。

4-D尺度空间中基于Mean-Shift的目标跟踪

在基于Mean-Shift的目标跟踪算法中,尺度自适应机制是算法研究的一个重要方向。一种典型的方法采用Lindeberg的尺度空间理论以获取目标尺度信息。但现有算法中将尺度由2-D矢量压缩为1-D量,未能精细地刻画目标仿射变换时的尺度变化,从而限制了算法的适用范围。为此,该文将尺度维1-D滤波推广至2-D,构造得到了相应的4-D尺度空间,并利用空间维和尺度维的Mean-Shift交替迭代,实现了同时在空间位置和尺度方向对目标的有效跟踪,提高了算法在目标尺度变化时的自适应性,并扩大了算法的适用范围。

基于多尺度空间的mean shift目标跟踪算法

目前主要目标跟踪算法都假设目标的运动,无法跟踪运动速度较快的目标。论文提出一种新的目标跟踪方法,首先利用通过多分辨率模型加速的快速模板匹配算法在整个图像中大致寻找与模板近似匹配的点作为候选点,然后以每一个候选点为初始点利用mean shift算法找到它们各自对应的局部极值,并选取其中最大值所对应的点作为目标位置的最终估计。实验证明了该算法能更准确和鲁棒地跟踪目标。

基于尺度-空间极值的织物起球目标检测

针对织物起球等级客观评估中的起球特征提取问题,提出了一种基于尺度-空间极值的毛球目标检测算法。首先建立各向异性高斯毛球目标模型,然后应用高斯尺度空间理论及精简的各向同性毛球目标模型,构造与该目标模型最优匹配算子近似的高斯偏导多项式作为检测算子,以其匹配能量输出作为尺度选择依据,并根据尺度-空间极值原则,定位并确定毛球目标的各向同性尺度,再基于此尺度下的局部结构张量矩阵估计各向异性高斯模型参数,最后根据该模型对毛球进行局部分割和识别。实验结果表明该算法能够较好地识别和分割毛球。

区域物流空间发展定位的理论基础

"空间"与"定位"作为一个全新的营销理念被采用于区域物流空间发展定位理论的研究,区域物流空间发展定位的理论基础包括多尺度空间融合理论、区域发展定位理论和经济空间结构理论。

基于尺度不变特征点的抗几何攻击水印算法

利用基于尺度空间理论的特征点检测方法,检测出的特征点不但在大尺度缩放变换下重复率高,而且每个特征点的特征尺度随图像缩放尺度等比例变化。以特征尺度及特征点相对位置作为参考,生成一种几何变换自适应图形作为水印嵌入的区域。随着特征点相对位置的变化,自适应图形会产生相应变化,达到抗几何攻击的目的。实验表明,该算法能有效抵抗各种几何攻击,具有较好的性能。

一种顾及异常区域的海温多尺度分区方法

空间聚类分析是空间数据挖掘的主要方法之一,旨在发现海量数据中潜在的空间分布模式和异常特征。此处采用空间聚类分析和多尺度分析相结合的策略对海温进行多尺度气候分区。首先,针对气候时间序列特征和异常区域特征,提出一种顾及异常区域的多尺度分区方法;进而,分别采用传统方法和新方法对海温进行多尺度气候分区,通过比较分析发现新方法更优越;最后,利用气候指数对分区结果进行验证,说明新方法是有效的。

多尺度回归分析研究进展

基于非参数回归和尺度空间理论的多尺度光滑方法是探索数据多尺度回归关系特征的新方法。简要介绍了非参数回归的多尺度分析模型、统计推断技术和可视化方法,全面回顾了自提出该方法以来近10年内相关研究进展,最后讨论了非参数回归的多尺度分析方法亟待解决的问题和未来的研究方向。

基于自适应空间滤波多级假设检验的空间目标识别方法

针对目前空间目标检测技术存在目标识别难度大、虚警率高、算法效率低等问题,提出了一种基于自适应空间滤波多级假设检验(ASMHT)算法的空间目标识别方法,用于提取光电观测系统在恒星跟踪模式下的空间目标,包括目标粗筛选与目标精筛选两过程。目标粗筛选使用尺度空间高斯差函数得到预处理后星图中各候选目标的尺度值,并将目标尺度值作为空间滤波窗口的尺度大小,利用连续多帧空间滤波窗口内不同种类目标的灰度分布特征代替灰度相关准则,去除无像移的背景恒星和随机噪声,筛选出疑似运动目标。目标精筛选使用改进的多级假设检验方法,通过建立疑似运动目标速度搜索窗极大提高了算法效率,最后依据轨迹特征筛选出空间目标。空间目标仿真星图结果表明,与现有空间目标识别方法相比,ASMHT算法具备空间目标低信噪比条件下的目标识别能力,且综合检测性能最好,在相同的虚警率下可获得更高的检测率。真实星图测试比较结果表明,ASMHT算法计算复杂更低,实现了更加精确的空间目标识别。

基于多尺度相位特征的图像检索方法

在基于内容的图像检索中,一个关键的问题是图像视觉内容的表述。而传统的颜色,形状和纹理特征对于图像内容的表述尚且不够完备。为进一步提高检索准确率,针对人眼视觉特性,该文提出了一种基于多尺度相位特征的图像检索方法。该方法首先采用尺度空间理论得到图像的多尺度描述,然后通过复数可调滤波(complex steerable filtering)提取图像的多尺度相位信息并利用直方图投影获取全局统计的多尺度相位特征。在通用数据库COREL5000上的实验结果表明,该特征相对经典的颜色特征提高至少5%检索准确率,且能对之提供有效补充。

基于视觉系统的聚类算法

人类对于结构的感知方式和产生数据的物理系统原理对于聚类分析而言具有同等的重要性 .因此 ,在聚类算法的设计和分析中 ,模拟人类的主要器官——视觉系统将帮助我们解决这一领域的一些基本问题 .从这一观点出发 ,文中提出一类基于初级视觉系统尺度空间理论的聚类算法 ,并通过引入显著性假设 ,将生物物理学中的Weber定律与聚类结构的有效性联系起来 .由此产生的聚类算法简洁有效 ,并可部分地回答那些与人类感知数据结构相关联的聚类有效性问题 .

超分辨重建图像质量评价算法

超分辨率图像重建技术可以提高图像分辨率,但是通常会给图像带来相应的尺寸变化,如何评价质量提升是个难题。目前常用的图像质量评价算法很少涉及图像的尺寸变化。基于结构相似度(SSIM)和尺度空间理论(SIFT),提出了一种针对超分辨率重建图像的弱参考质量评价算法,算法将SSIM与SIFT融合,能够适用图像尺寸的变化。通过仿真和实验证明了该算法的有效性。实验结果表明,该算法能够很好地适应图像尺寸的变化,可以客观地评价超分辨重建图像质量的好坏。

基于支持矢量机和信任域的目标跟踪算法

通过使用SVM(支持矢量机)分类器对像素分类进行目标检测,将输入图像转换成可靠的目标概率分布图,然后结合使用性能优良的信任域优化算法,在概率分布图上实现目标定位并确定其尺寸。分类器对像素分类的低错分率为信任域算法提供了更好的基础。通过和现有算法的比较以及在真实序列图像上的实验表明,该算法不但能够更准确地检测到目标,而且在跟踪精度方面有了显著提高。

基于SIFT检测的Demons图像配准

提出一种计算简便且配准效率高的算法.通过拟牛顿对Demons算法里的目标函数进行优化,从而得出形变向量u的方法,阐明了此方法配准的高效性,同时再结合SIFT算法对配准结果的检测,便能很直接很直观地看出配准结果的好坏,避免了判断两幅图相似性的大量计算.实验验证了所提出算法的有效性.

SIFT改进算法及其在遥感中的应用

针对SIFT算法结果中存在错误匹配的现象,分析错误产生的原因后,提出一种SIFT改进算法。利用SIFT提取特征点并进行初始匹配,基于封闭图形进行仿射变换时面积比不变性,从初始匹配中提取若干个局部最优匹配,构建局部最优匹配中特征点与其它待研究匹配中特征点之间的几何关系并进行分析,利用分析结果判断该匹配的优劣,剔除判断为错误的匹配,提高匹配精度,即正确匹配数量占总匹配数量的比例。实验结果表明,该方法有效提高了SIFT的匹配精度,改善了匹配效果。

人体与流体的交互仿真中的内外体化素

体素化(Voxelization)模型是为了解决描述模型内部属性如材料、密度等信息时产生的,体素化则是将物体的几何信息转化成最接近物体的体数据(Volume Datas)。体素化后的模型不仅包含模型的表面信息,而且能描述模型内部的属性。体素是由一组三维的立方体格子组成。