具有局部自适应阈值的SIFT快速图像匹配算法

针对传统SIFT匹配算法复杂、特征冗余点多、难以满足实时性等问题,本文提出了一种具有局部自适应阈值的SIFT快速图像匹配算法。首先,所提方法在SIFT算法的基础上,对构建的高斯金字塔进行了优化,通过减少金字塔层数来消除冗余特征点以提高检测效率,并根据图像局部对比度来自适应提取FAST算法中的阈值从而实现高质量的特征点检测,筛选出鲁棒性较强的特征点进行更准确的匹配;其次,采用高斯圆形窗口建立32维降维特征向量,提高算法运行效率;最后,根据匹配特征点对之间的几何一致性对特征点进行提纯,有效减少误匹配。实验结果表明,本文方法在匹配精度和运算效率方面的综合表现均优于SIFT算法及其他对比匹配算法,相比传统的SIFT算法,匹配精度提高了约10%,算法运行时间缩短了约49%。在图像发生尺度、旋转以及光照变化的情况下,正确匹配率在93%以上。

基于改进拉普拉斯金字塔的红外图像增强算法

针对在进行红外图像增强时容易出现细节和边缘纹理丢失的问题,提出了基于改进拉普拉斯金字塔的红外图像增强算法。首先,构建拉普拉斯金字塔时,在原有的差分运算中加入Canny边缘检测,提取图像的基础层和细节层;其次,在基础层使用γ-CLAHE算法改善对比度和亮度;对细节层通过拉普拉斯算子进一步增强细节层中的边缘纹理;最后将细节层与基础层重建得到增强后的红外图像。经实验验证,本算法与传统Clahe算法、Gamma校正及其他算法相比,其中,PSNR最大提高了5.34,SSIM值最大提高了0.6,熵值最大提高了2.07,验证了本算法能够在红外图像增强时提高对比度,突出边缘信息,保持结构特性完整,在红外图像增强处理中是有效的。

快速自适应滤波的图像增强方法

为了快速有效的去除图像中的干扰噪声,同时避免边缘有用信息的模糊化,提高图像的层次感和清晰度,采用快速自适应滤波与模糊集相结合的方法来进行图像增强。基于FPGA的快速自适应卡尔曼滤波器能够根据图像不同区域的噪声干扰程度实时有效地滤除噪声,对于去噪后带来的边缘模糊化问题,再采用分段模糊增强来解决。实验结果表明,该方法不但能够快速有效地去除噪声,而且图像的边缘细节信息也得到了很好保留。

基于自适应蚁群算法的快速位移图像精准定位方法

经过长时间的研究发现,传统的图像定位方法可以精准的定位静态图像,但当用来定位快速位移图像时,存在着精准度低的问题.为此在传统图像定义方法的基础上,引入自适应蚁群算法,从而设计出针对快速位移图像的精准定位方法.首先利用图像采集设备获得快速位移原始图像,并从数学形态学变换、图像灰度化以及图像增强三个方面,得到图像的预处理结果.使用蚁群算法检测图像边缘,利用估计图像的运动轨迹来提取更新的动态自适应信息素,通过信息素配准输出快速图像的精准定位结果.对比实验分析,与传统定位方法相比,自适应蚁群算法的快速位移图像精准定位方法的精准率提高了15.96%.

基于自适应理论的快速模糊聚类图像分割算法

模糊聚类算法是在脑MR图像分割中运用的最多的一种算法,然而传统的FCM算法对噪声图像不能进行有效的分割,而一些改进的算法则在提高算法抗噪声性能的同时大大地增加了其运行时间。针对这些问题,本文提出了一种基于自适应理论的快速模糊聚类(AMFFCM)算法。实验结果表明该算法对噪声图像能进行有效的分割,同时其运行速度相对于其他的抗噪算法也得到了提升。

遥感图像自适应分层量化的快速DCT压缩法

依据遥感图像的频谱特性,提出一种自适应分层量化的快速DCT图像压缩算法,在对原始图像快速DCT之后,根据图像频谱特性自适应修正JPEG量化表,再用新量化表分层量化DCT系数。真实遥感图像压缩实验表明,在同等压缩比下,提出的方法比标准JPEG方法速度快,且峰值信噪比增加1～2dB,并能实现嵌入式码流图像压缩。

基于梯度信息的快速自适应图像修补方法

提出了一种基于梯度信息的快速自适应图像修补方法。首先采用快速推移方法决定当前要修补的破损点,然后采用自适应机制,根据其周围已知点个数的多少,选择参考窗口的大小,最后在此窗口中,引入已知点梯度信息,根据本文构造的破损点灰度值计算公式,计算出破损点的灰度值。实验结果表明,本文方法能明显减少修补时间,同时取得很好的修补效果。

基于快速自适应的二维经验模态分解的图像去噪算法

为了能够对图像进行自适应的分解,并准确刻画分解系数的分布状态,提出了一种新的基于快速自适应二维经验模态分解的图像去噪算法。该算法首先对图像进行快速自适应二维经验模态分解,通过确定分解后以噪声主导的子带的个数,进一步利用正态逆高斯模型对以噪声主导的子带系数分布进行建模;然后使用贝叶斯最大后验概率估计理论从模型导出相应的阈值;最后采用最优线性插值阈值函数算法完成去噪。仿真结果表明,对于添加不同标准差大小高斯白噪声的测试图像,所提算法在峰值信噪比上相比sym4小波去噪、双变量阈值去噪、邻近算子的全变分算法和重叠组稀疏的全变分算法分别平均提高了4.36 dB,0.85 dB,0.78 dB和0.48 dB,结构相似性指数也有不同程度的提高,有效地保留了更多的图像细节。实验结果证明,所提算法在视觉性能和评价指标方面均优于对比算法。

篮球运动快速位移图像自适应定位方法

针对传统方法在进行篮球位移图像定位时存在计算复杂度高、抗干扰性差、准确性低的问题,提出一种新的篮球运动快速位移图像自适应定位方法.对图像互能量谱进行反转,对得到的背景运动偏移量进行补偿;依据灰度阈值技术,对背景模板和当前帧篮球运动图像进行差分,获取当前帧快速位移区域;将种子像素作为生长起点,将邻域中与种子像素相似的像素聚集起来,得到快速位移目标的最小框,完成定位.结果表明,所提方法得到的定位结果清晰准确,抗干性强扰;在目标出现变形的情况下,本文方法受变形影响小,抗噪能力高,定位精度高.

基于深度学习的场景图像自适应文本检测方法

为了解决自然场景图像中任意形状文本检测的难题,文中提出一种具有自适应文本区域表示的鲁棒场景文本检测方法;同时基于回归和分割方法的两种思想,设计自适应角点检测模块(ACDM)和自适应阈值分割模块(ATSM)。将不同尺度的文本生成不同数量的角点进行定位,利用自适应阈值的方法生成文本分割图,结合生成的角点候选框进行联合优化。实验结果表明:所提方法在ICDAR2015数据集上综合指标F为86.5%,相较于PSENet网络提升0.8%;在Total-Text和CTW1500数据集上综合指标F分别为85.3%和84.2%,相较于DBNet网络分别提升0.6%和0.8%。该方法能有效提高任意形状文本检测的鲁棒性。

基于金字塔特征自适应的变电设备缺陷检测

针对现有的图像检测算法不能充分融合金字塔网络特征的问题,设计一种基于金字塔特征自适应的检测算法,对变电设备缺陷进行目标识别。首先,构建感兴趣区域特征金字塔结构,用以提取各个层级的变电设备缺陷图像特征图;其次,设计一种多层特征自适应学习函数来自动学习不同层级特征权重。实验结果显示,所提算法检测精度较其他方法均取得了较大程度提升,平均精度达到了71.9%,具有更好的鲁棒性,可应用于各类变电站场景。

基于自适应感知金字塔网络的图像去雨

基于深度学习的单幅图像去雨已经取得了较大进展,但现有方法去雨后的图像仍然存在细节丢失、密集雨纹去除不彻底等问题.为此,本文提出一种基于自适应感知金字塔网络的单幅图像去雨方法,能够在有效去除密集雨纹的同时对细节进行修正,显著改善去雨图像的视觉质量.首先,基于小波变换构建多尺度金字塔网络,在各尺度子网络之间进行递进式连接,实现雨纹迭代提取和去除;各尺度子网络内部以自适应雨纹感知模块为核心,设计对称跳跃连接将提取到的浅层特征反馈至深层,实现浅层特征的有效复用.其中,所设计的自适应雨纹感知模块通过非局部感知运算和共享扩张卷积扩大感受野,可有效感知雨纹特征,并融入注意力机制实现雨纹的自适应去除.为了更好地约束网络训练和去除不同尺度的雨纹,设计了一种多尺度损失函数,由粗及细逐步完成雨纹去除,可有效防止伪影现象.在合成和真实数据集上的大量实验表明,本文方法优于现有的主流方法,能够在去雨的同时较好地保持图像细节,视觉效果理想.

基于大数据集域自适应快速算法的图像特征智能识别模型构建

通常采用图像特征智能识别以提高对图像高频成分的识别度。基于大数据集域自适应快速算法构建图像特征智能识别模型。在图像特征智能识别模型构建过程中,对于图像特征智能识别过程中容易产生伪图像特征识别、细节性模糊与图像特征智能识别的不间断性问题,使用大数据集域自适应快速算法可以提高图像特征智能识别的效率。经过实验表明,基于大数据集域自适应快速算法的识别特征模型能够有效提升微小图像特征平均识别率,且鲁棒性较好。

基于NSCT变换的遥感图像快速自适应去噪方法

针对遥感图像受噪声影响导致质量较低的问题,提出了基于NSCT变换的遥感图像快速自适应去噪方法。将Gibbs效应添加至Contourlet变换的图像处理环节,利用非下采样拉普拉斯金字塔与方向滤波器组构建NSCT变换。根据NSCT变换后遥感图像信号能量汇聚至小部分变换系数的特征,利用硬阈值快速去噪方法和NSCT变换系数邻域的一致性特征,推导出遥感图像自适应阈值,将其与硬阈值快速去噪法融合后,实现NSCT变换下快速自适应去噪。仿真结果表明,所提方法去噪优势显著,且用时更短,具有较好的有效性与稳定性。

基于自适应传播机制的红外图像快速增强算法

针对传统的红外图像对比度增强方法存在的运算速度慢、增强效果不佳的问题,提出了一种基于自适应传播机制的红外图像对比度快速增强算法。首先使用自适应传播机制求出红外图像的各种局部空间信息,然后对各种信息进行非线性拉伸调整,得到增强后的图像。最后,比较和分析了几种增强算法实验结果,证明了本方法快速高效的优异性质。

基于多重先验的无监督学习红外图像增强算法

随着红外成像技术的广泛应用,人们对红外成像质量的要求不断提高。由于红外传感成像原理的限制,红外图像普遍存在对比度不高、缺乏细节纹理等问题。与此同时,常用的传统红外图像增强算法在提升图像对比度的同时容易引入较高的噪声,导致增强效果有限。因此,本文提出一种基于高斯-拉普拉斯金字塔、CLAHE、原始图像等多重先验知识的无监督红外图像增强算法,并通过实验与各种经典先验方法进行了对比。实验证明,本算法效果相较于传统算法有较为明显的提升,可以完全自适应地实现对比度拉伸、去除噪声等红外图像增强操作,并且对目标检测等下游任务带来了显著的精度提升。

基于自适应金字塔的红外图像超分辨率重建算法

本文通过分析红外图像特性,提出了一种自适应金字塔的红外图像超分辨率重建算法,利用多层信息互补实现图像重建。本算法通过金字塔架构获取不同尺度字典的结构信息,并通过一个自适应均值融合计算单元,用于细节重组。实验结果表明,本文提出的算法能够获得清晰的图像,且视觉质量高。

匹配变换和线性变换融合的水下图像增强

为了有效地改善水下图像的颜色和对比度,提出了匹配变换和线性变换融合的水下图像增强方法。对强度最大的通道图像进行对比度限制的自适应直方图均衡化,根据均衡化后的通道图像直方图,对另外两通道图像分别进行直方图匹配,最后得到颜色校正的图像。在HSV颜色空间中,对颜色校正图像的明度分量进行自适应分段线性变换,得到对比度增强的图像。分别计算2张增强图像的对比度权重、显著性权重、亮度分布权重和饱和度权重,根据权重对2张增强图像进行多尺度金字塔加权融合,得到最后的增强图像。实验结果表明,该方法对水下图像增强后的视觉效果优于现有方法,对应的平均梯度、水下彩色图像质量评价(UCIQE)指标和水下图像质量(UIQM)指标比现有方法分别提高30.0%、7.29%和16.0%。

改进快速自适应双边滤波的SAR图像去噪

针对已有算法在去除散斑噪声时存在边缘信息丢失的现象,提出一种基于平稳小波变换,结合快速自适应双边滤波、小波阈值去噪和优化贝叶斯非局部均值的算法(SFOBNLM算法),在保持边缘信息的同时有效地去除SAR图像中的散斑噪声.先用平稳小波变换将图像分解为近似子带和细节子带,对这两个子带分别进行快速自适应双边滤波和小波阈值处理;然后用小波逆变换对去噪后的图像进行重构;最后用OBNLM算法对图像进一步去噪.实验结果表明,SFOBNLM算法在峰值信噪比(PSNR)、结构相似度(SSIM)、特征相似度(FSIM)、边缘保持因子(EPF)、等效视数(ENL)和视觉质量方面均优于传统的滤波方法.

基于AGAST-BRIEF的图像匹配融合算法

针对传统算法AGAST在图像处于复杂场景条件下进行图像检测时,造成图像匹配结果精度低和实时性差等问题,提出一种基于AGAST-BRIEF的图像匹配融合算法。首先,利用高斯滤波对图像进行预处理,实现去除图像噪声干扰,保留图像边缘信息的效果,通过AGAST与尺度空间理论相结合进行特征提取;然后,使用BRIEF描述子对图像中的关键点进行描述,提高特征匹配效率;最后,采用FLANN算法得到初次匹配对,使用GMS与改进的RANSAC算法对初次匹配结果进行二次筛选,得到图像特征精匹配。实验结果表明:所提算法相较于SIFT、AKAZE、KAZE算法匹配准确率提高,匹配运行时间最短,具有良好的鲁棒性。