改进的中值滤波算法在图像去噪中的应用

针对标准中值滤波方法存在的不足,结合均值思想提出两种改进的中值滤波算法,即加权快速中值滤波算法和加权自适应中值滤波算法,MATLAB实验证实两种方法均能更好地保存原始图像的细节和边缘。比较两种新方法得出以下结论:加权改进中值滤波算法对低密度的脉冲噪声去噪效果明显,对于高密度脉冲噪声去噪效果不理想,但能大大提高中值滤波的运行速度,对数字图像实时处理意义很大;加权自适应中值滤波算法能够有效地消除被污染图像中的高密度脉冲噪声,较标准中值滤波具有更优良的滤波性能,较加权快速中值滤波算法在去噪方面有更好的鲁棒性。

基于跨尺度代价聚合的改进立体匹配算法

针对现有的立体匹配算法在精度和速度上不可兼得的现状,提出一种改进的跨尺度代价聚合立体匹配算法。通过强度和梯度算法计算匹配代价,利用引导滤波聚合匹配代价,采用跨尺度模型聚合各尺度的匹配代价,使用补丁匹配近似算法代替传统胜者为王算法求取初始视差,并在视差细化阶段采用快速加权中值滤波进行后续处理。实验结果表明,该算法能在快速获得视差图的同时提高匹配精度。

多元线性回归引导的立体匹配算法

深度图像中视差跳变的像素点匹配一直是立体匹配的挑战性问题之一.基于引导滤波的局部立体匹配算法通过考虑匹配图像内容,可以在保持深度图像边缘的同时提高匹配精度、加快匹配速度,但引导滤波会产生图像光晕,在图像边缘区域也会引入大量的噪声.为此,将引导滤波的岭回归扩展到多元回归,提出一种基于多元线性回归的立体匹配算法.首先将引导滤波中只含图像像素值这一单变量的回归方程扩展为基于图像像素值和梯度信息等多个变量的多元回归方程,对初始代价值进行滤波聚合,并与单独进行引导滤波的匹配代价聚合值进行加权组合提高图像边缘的匹配效果;然后根据代价聚合最小值与次小值之间的相互关系定义了视差选择可信度,解决了视差选择时的歧义问题.在Middlebury测试平台进行了实验的结果表明,文中算法有效地提高深度图像中视差跳变像素点的匹配精度,降低了匹配噪声;与最新的高性能立体匹配算法相比,该算法可以以较小的计算复杂度获得高质量的视差图.

以人工标志物为基准的无人机定位系统

设计了一种以STM32单片机为控制核心的短距离高精度定位系统。系统通过识别定点位置的单一颜色块作为标识物来控制无人机不断飞到标识物上空,从而实现精准定位。本系统基于OV7670+STM32的结构开发,通过OV7670采集图像存储在FIFO中;STM32通过读取FIFO中的数据进行颜色识别与跟踪。实验结果表明,本系统识别准确率较高,定位精度较GPS定位提高了一个量级。