一种基于局部方向尺度的各向异性扩散图像滤波方法

针对图像滤波去噪模糊边缘结构的弊端,提出了一种基于局部方向尺度的各向异性扩散图像滤波方法。该方法首先为图像中每个象素定义相应的局部方向尺度,然后利用象素的局部方向尺度在边缘附近或细小结构的小区域内进行小尺度扩散滤波,而在较大的均匀区域的内部则进行大尺度扩散滤波。实验结果表明算法比现存的各向异性扩散滤波方法在保持图像的细小结构和对象边缘方面具有更好的性能。

结合视觉及方向尺度LoG算子的肺节点图像增强

针对医学X胸片影像对比度低,视觉效果差,不利于临床医师对X胸片肺部节点进行检诊的问题,在对X胸片肺部节点图像特点以及传统拉普拉斯高斯图像增强算子深入分析的基础上,提出一种基于视觉及方向尺度拉普拉斯高斯(Laplace of Gaussion,LoG)算子的医学X胸片肺结节增强方法。该方法是在传统拉普拉斯高斯滤波算子的基础上,通过对不同方向纹理引入不同算子尺度,并考虑视觉因素,进行视觉矫正实现的。实验表明,该文算法能有效增强X胸片肺部节点影像。与已有方法相比,该方法具有更好的增强效果。

Contourlet:一种有效的方向多尺度变换分析方法

Contourlet变换是对二维图像域内小波变换的一种新扩展,由不可分的方向滤波器组实现,该变换的基函数分布于多尺度、多方向上,可仅利用少量系数有效地捕捉图像中的光滑轮廓,而光滑轮廓正是自然图像的主要特征。讨论了Contourlet变换的发展背景、原理和数字实现与实际应用,分析了Contourlet变换存在的问题并指出了进一步研究的方向。

基于多尺度多方向结构元素的形态学图像边缘检测算法

为进一步改善图像处理中的噪声抑制和边缘检测性能,提出了一种多尺度多方向结构元素形态学图像边缘检测算法。该算法基于数学形态学中结构元素的方向性差异,充分利用了腐蚀、膨胀、开、闭及其变换和组合运算。对图像进行去噪、边缘提取等预处理操作,以提高图像的信噪比和边缘细节;利用递归的多尺度多方向结构元素形态学滤波得到图像的初始轮廓;利用多尺度形态学和多方向结构元素进行图像边缘检测。实验结果表明提出的算法抗噪性强,能有效准确地提取边缘信息。

随机噪声的多尺度多方向域压制方法研究

介绍了信号的多尺度多方向特性和具有此功能的第2代curvelet变换的基本原理,阐述了对于光滑且二阶连续可微的函数,第2代curvelet变换所具有的最优逼近性能。给出了地震资料随机噪声衰减的阈值方法。基于理论模型讨论了多尺度多方向域(curvelet域)的去噪特性,并将其与传统小波变换的去噪效果进行了对比。最后,将该方法应用于实际地震资料处理,结果表明,与传统小波变换相比,多尺度多方向域阈值法充分利用了信号与噪声在方向上的差异,使随机噪声得到了较好的衰减,有效提高了地震资料的信噪比,较好地保留了地震记录的有效信号。

多方向多尺度Gabor特征表示及其匹配算法

Gabor滤波是众所周知的一类特征提取方法,在机器视觉等领域得到了广泛研究和应用.本文提出了一种多方向多尺度Gabor特征表示、提取以及其匹配算法.多方向多尺度Gabor特征通过使用一组不同尺度和不同方向的Gabor滤波器对图像进行滤波,而后将滤波结果在各个滤波方向按尺度大小排序后连接而成.本文进一步提出了循环向量的概念,并将两个多方向多尺度Gabor特征相似度重新定义为一个多方向多尺度Gabor特征和对应的多个循环向量之间最大值.实验结果表明,本文提出的多方向多尺度Gabor特征不仅具有平移不变性、旋转不变性、尺度不变性,也展现出优秀的局部特征表示能力以及显著的鉴别力.

基于多尺度方向数值模式的肝功能分级方法

针对现有肝功能分级方法存在有创性、时效性等问题,提出一种基于CT图像多尺度方向数值模式的肝功能分级方法。利用Gabor滤波器提取肝脏感兴趣区域的多尺度纹理特征,对各尺度的主要方向进行数值模式的紧凑编码并分块统计直方图,获取多尺度特征向量,利用支持向量机构建肝功能分级模型。临床数据实验结果表明,该方法有效且可行,具有非侵入性、高效性和可重复性,为患者肝功能评估提供了基于影像学的辅助诊断。

融合SIFT和尺度方向自适应的Mean shift目标跟踪算法

由于传统Mean shift跟踪算法固定了椭圆核的带宽和方向,对尺度和方向变化的目标跟踪定位不准或跟踪丢失.针对这一不足,提出一种尺度方向自适应的目标跟踪算法.首先用SIFT特征跟踪目标,并通过对SIFT特征点尺度和方向的实验分析,发现SIFT特征点的尺度变化和目标的尺度变化成正比、特征点主方向变化角度与目标旋转角度一致,提出目标尺度和方向的计算方法;其次引入相似性变换,利用带方向、可变带宽的椭圆核改进传统Mean shift跟踪算法,使其能跟踪尺度和方向变化的目标.最后,融合SIFT特征跟踪结果和改进Mean shift的跟踪结果.实验表明:提出的算法能有效地跟踪具有尺度和方向变化的目标,获得的目标尺度、旋转方向参数精度较高,定位也更准确.

多尺度多方向结构元素形态学绝缘子闪络图像边缘检测算法研究

针对绝缘子闪络图像中的噪声和边缘细节模糊问题,提出了一种多尺度和多方向图像边缘检测算法。该算法利用结构元素方向性的差异和递归形态滤波,对采集图像的边缘进行提取和去噪,根据多尺度多方向得到滤波图像的初始轮廓,完成绝缘子闪络的检测,。为了验证本文算法的有效性和准确性,本文选用不同的绝缘子闪络进行实验。实验结果表明本文的算法能够滤除采集图像的噪声。保留原始图像的边缘细节,实现放电区域绝缘子闪络图像的边缘检测。

多尺度-方向笔画结合SVM验证的文字区域定位

图像中文字区域检测与定位的关键环节是文字区域显著特征的描述与分类,文字区域一般是由几个方向的笔画组成,笔画既有梯度的边缘同时又具有明显的方向分布规律。在此思路的引导下,利用特征定位和学习型验证的两级框架提出一种新的文字区域定位算法。在粗定位模块中,引入对字符区域有显著描述能力的多尺度-方向笔画算子融合字符边缘粗糙度特征;经阈值处理、形态学滤波、最小矩形区域覆盖得到候选文字区域。在验证模块中,提取对文字有较强鉴别能力的笔画特征,然后用SVM(support vector machine)分类器对候选文本行进行验证筛选,得到文本区域的最终定位结果。实验结果表明,该算法具有较强的鲁棒性,无论对中文字符区域还是英文字符区域都能得到较好的定位结果。

基于多尺度主线方向特征的DBN分类方法

针对深度信念网络(DBN)结构自身未考虑到二维图像空间结构信息、分类准确识别率不高等问题,提出了一种基于多尺度主线方向特征的DBN网络图像分类新方法(MSMD-DBN方法)。该方法首先提取多尺度的线方向特征图和能量图,再通过二值化、细化能量图得到主线方向特征图,然后在可视层输入端加入多尺度主线方向信息特征图,并利用深度信念网络进行图像分类识别。旨在通过增加输入信息的维度,来达到提升图像分类性能的目的。在CIFAR-10和MNIST两个数据库上对不同样本的图像进行分类实验,结果表明,与采用传统DBN网络和DBN的改进算法相比,提出的算法的分类性能取得了显著的提高。

一种检测金属表面划痕的多尺度多方向形态学方法

在精密仪器制造中,金属表面的细浅划痕是最难检测的,却又是不可忽视的,采用机器视觉技术对其进行自动检测对于提高产品质量和生产效率有重要意义。在分析细浅划痕形状特征的基础上,设计一组多尺度多方向的形态学结构元素,并通过多尺度多方向的Top-hat变化构建形态学划痕指数,以突显划痕,且抑制背景,进而实现细浅划痕的检测。实验结果表明,这里方法能够有效地检测出各种形状的划痕,能够很好地克服光照条件和噪声的影响,具有较强的鲁棒性。

基于多尺度-局部方向轮廓综合的鲁棒虹膜定位算法

针对现有虹膜外边缘定位算法鲁棒性差的不足,本文提出多尺度-局部方向轮廓综合实现鲁棒虹膜定位的思路.该算法首先利用Gabor分解提取虹膜图像的多尺度-局部方向轮廓,在此基础上选择多个近垂直局部方向的子图进行综合而增强近垂直局部方向的虹膜边缘轮廓;在已有虹膜内边缘定位基础上根据先验知识选择有效的关键虹膜外边缘区域(消除干扰),再采用标准Hough确定虹膜外边缘形状参数,最后利用Hough变换进行小范围精确定位.仿真实验结果表明本文提出的算法在速度、稳定性方面优于现有文献报道的虹膜定位算法.

基于多尺度多方向分解的自然场景下麦穗计数

小麦是我国重要的粮食作物,准确的小麦麦穗计数是小麦产量精确估计的前提.针对自然场景下小麦图像的频域分布特点,提出了一种多尺度多方向分解的小麦麦穗计数方法.首先,该方法根据待处理的小麦麦穗图像中麦穗和背景信息分布的频段不同的特点,对小麦麦穗图像进行多尺度多方向分解,获取能突出小麦麦穗信息的多尺度多方向子带,减小土壤、小麦叶片等背景信息的干扰;然后,利用灰度阈值分割方法对小麦麦穗子带图像进行分割,利用形态学中的膨胀和腐蚀等操作实现包含小麦麦穗信息的连通区域的分离;最后,利用Find maxima计数方法实现小麦麦穗计数.实验结果表明,该方法对小麦麦穗计数的精准度明显优于其他基于颜色特征和纹理特征小麦麦穗计数方法.

约束变尺度类算法(Ⅱ)——两步超线性收敛的广义投影梯度约束变尺度方向类

将Ｈａｎ－Ｐｏｗｅｌ和文献［１］中算法的思想有机的结合在一起，构造了广义投影梯度约束变尺度方向所满足的线性系统．从而建立了具有两步超线性收敛的广义投影梯度约束变尺度类算法Ｃ．该算法为统一算法模型Ａ提供了一个重要的子类．到此，统一算法模型Ａ已包括了Ｈａｎ－Ｐｏｗｅｌ算法和既约梯度、投影梯度型、广义投影梯度型约束变尺度类算法．从而形成了一个丰富的理论算法库．与此同时，这些算法也被自然的推广到非单调一维搜索的情形．

线性约束下的变尺度共轭方向法

对线性约束非线性规划问题，利用共轭投影概念提出了一种变尺度共轭方向法，并分析了算法的收敛性、二次终止性和超线性收敛性，由此导出了一族共轭方向法，并对算法的某些收敛特性进行了分析。

基于稀疏编码与方向-尺度描述子的海马体自动分割

海马体病变与神经疾病息息相关,海马体解剖结构的不规则性以及其与周围组织结构如杏仁体边界模糊增加了分割海马体的难度。提出一种新的基于稀疏编码和方向-尺度描述子(Sparse Coding and Orientation-Scale Descriptor,SCOSD)的算法来提高海马体分割精度。不同于主流的基于字典学习的方法,SCOSD算法用同时包含灰度纹理信息和空间结构信息的方向-尺度描述子(Orientation-Scale Descriptor,OSD)代替低维特征来描述像素特征,OSD的优点是它同时包含多种低维特征且能降低图谱间灰度不均匀性的影响。SCOSD算法包括4个步骤:1)图像预处理。2)特征提取,提取待分割图像像素和图谱图像像素的方向-尺度描述子。3)字典构建及稀疏编码,选取图谱像素的方向-尺度描述子作为目标像素来构建特有字典,用特有字典近似表达即重建目标像素并得到稀疏编码系数。4)标号融合及阈值判定,融合图谱像素的标号和编码系数得到目标像素的标号估计值;阈值判定估计值完成分割。为了验证SCOSD算法分割的准确性,分别用SCOSD算法,Simple,Major Voting,Staple,Collate分割MICCAI数据库内的海马体,以Dice值作为分割评判标准,实验结果表明,SCOSD方向-尺度描述子的分割精度高于Simple,Major Voting,Staple,Collate算法。

尺度方向自适应视觉目标跟踪方法综述

视觉目标跟踪过程中出现的目标尺度和方向变化问题一直是目标跟踪中的难点,如何有效处理目标尺度方向变化是保证目标跟踪算法鲁棒性的一项重要因素。介绍了视频目标跟踪发展状况,并对现有的目标尺度和方向跟踪算法进行了分类:增量式搜索、Meanshift迭代、角点匹配、区域二阶矩、粒子滤波、相关滤波器和深度学习跟踪算法。阐述了各种算法的基本思想及其尺度和方向处理方法,重点分析了利用深度学习技术处理目标尺度和方向变化的策略,分析了各种算法的优缺点,并指出了它们的适用场合。对目标尺度和方向跟踪未来发展趋势进行了展望,提出了主要挑战和难题,对相关人员的研究工作起到参考和借鉴作用。

尺度方向自适应的相关滤波跟踪算法

针对DSST算法对目标方向发生变化时易出现的跟踪丢失问题,提出了一种目标尺度和方向自适应稳健跟踪算法。算法首先提取目标候选区域HOG和HSV特征,通过相关滤波算法构建多特征融合的二维定位滤波器,从而精确确定目标的中心位置。然后,根据方向池用HOG特征构建一维方向相关滤波器确定目标的最佳方向。并通过构建一维尺度相关滤波器确定最佳尺度。最后,根据PSR值变化情况调整相关滤波模型更新的权重,使模型适应目标的变化特征。选取OTB2013部分数据集进行测试,实验结果表明,上述算法距离精度保持在15pixels以内,成功率较DSST算法提高了20.1%,并且展示了上述算法对跟踪目标的尺度和方向变化具有鲁棒性和有效性。

基于Canny-Harris特征点的图像目标尺度方向跟踪算法

传统图像目标尺度方向跟踪算法无法实时更新所跟踪目标外观模型,导致在光照等外界因素影响下跟踪误差较大。提出一种基于Canny-Harris特征点的图像目标尺度方向跟踪算法。计算各个图像块属于目标的实际概率,构建目标外观模型;建立当前帧中目标关于位置的对应置信度图,分析该置信度图获取当前帧中目标的最优状态;基于Canny-Harris特征点设计更新目标外观模型策略,在线实时更新目标外观。实验结果证明了该算法在图像噪声比为50dB~110dB的范围内跟踪误差较小,实现了算法性能的提升。