一种基于蚁群优化的显著边缘检测算法

该文提出一种基于蚁群优化的显著边缘检测算法。该算法利用相位编组方法计算支持区面积作为描述图像边缘梯度方向一致性的指标,将梯度幅度和支持区面积结合起来形成启发信息和信息素增量的计算方法,采用线性加权方法将信息素、梯度幅度、支持区面积3种信息综合起来得到蚂蚁转移概率,通过引入禁忌表增大蚂蚁的活动范围。实验结果表明:该文提出的算法能够有效检测图像中的显著边缘特征,对多类图像都有良好的适应性,而且收敛速度较快。

基于局部显著边缘特征的快速图像配准算法

针对尺度不变的特征变换(SIFT)算法提取的特征点数目多、匹配耗时长、匹配精度不高等问题,提出了一种基于局部显著边缘特征的快速图像配准算法。该算法利用SIFT算法提取待选特征点,同时用小波边缘检测提取图像边缘,建立特征点周围邻域的边缘特征,筛选出具有显著边缘特征的特征点,结合Shape-context算子和边缘特征形成特征描述向量,采用欧氏距离作为匹配度量函数对筛选出的特征点进行初步匹配,然后用随机一致性检验(RANSAC)算法消除误匹配点对。实验结果表明,该算法有效控制了特征点的数量,提高了特征点的质量,缩小了特征搜索空间,提高了特征匹配的效率。

显著边缘直接引导的动态模糊图像盲复原方法

针对主动视觉中运动载体和云台抖动导致图像模糊的问题,提出一种显著边缘直接引导的动态模糊图像盲复原方法。为了克服经典Canny算子只能对边缘进行标注的缺陷,设计了图像边缘搜索-增强算法,并基于此提出了仅依据图像中显著边缘邻域完成点扩散函数优化估计的方法;为解决传统残差图像方法不能适应预测图像错位的问题,提出图像解模糊的递归残差修正算法来抑制复原图像波动;设计了图像复原的分层迭代处理流程,保证模糊图像复原的可靠性和精度。理想光照条件下的仿真表明,算法能准确恢复模糊图像的边缘,同时抑制复原图像中的波动。非理想光照条件下的仿真也验证了算法对环境有良好的适应性,具有较高的实际应用价值。

基于显著边缘信息的大气湍流图像盲复原

大气湍流是大气的一种重要运动形式,对成像系统造成严重干扰,使图像产生畸变、模糊。文中提出一种基于显著边缘信息的大气湍流图像复原算法。首先,对每一帧图像进行畸变矫正,将矫正后的图像序列融合产生一幅图像。然后提出一种利用图像显著边缘信息估计图像退化核函数的方法,检测融合后的图像的显著边缘并重构出清晰图像的显著边缘,并以此估计图像退化核函数值。最后利用该核函数的估计值,使用维纳滤波器进行空间域的反卷积运算,恢复出清晰图像。实验结果表明本文算法能有效还原出清晰图像,锐化图像边缘,并抑制人工噪声,具有较高实用价值。

自然图像中目标轮廓上显著边缘检测的计算模型

如何模拟人类视觉感知系统的感知过程,建立一个鲁棒性较好、无监督的自然图像中目标轮廓上显著边缘检测的计算模型是文中要讨论的问题.首先确定自然图像中目标所在的子区域.然后通过分析纹理以及颜色等低级视觉特征得到一组潜在的轮廓边缘,对这些潜在的轮廓边缘进行闭合性分析,建立各条潜在边缘之间闭合关系的图模型.最后通过最短路径找出最优的轮廓上的显著边缘.将该模型用于多幅自然图像,实验效果较好.该模型在生物学上的合理性也得到验证.

基于显著闭合边缘的图像检索方法

为提高基于内容的图像检索查准率,研究基于显著闭合边缘的图像检索方法。设计显著闭合边缘提取算法,利用人类视觉注意机制获取显著图,根据原始边缘图确定显著边缘图,连接显著边缘间的断裂,得到显著闭合边缘,结合边缘梯度和角度值的直方图实现图像检索。实验结果表明,该方法具有较高的查准率。

一种基于显著性边缘的运动模糊图像复原方法

运动模糊的图像复原,是图像处理和计算机视觉领域中的热点问题。通过分析图像的纹理特征,提出一种鲁棒的显著性边缘提取方法,并将其应用于运动模糊图像恢复中。联合图像纹理的梯度幅值、方向信息,优化模糊图像并抑制噪声干扰,从而提取稳定的强显著性边缘。在模糊核估计的能量模型中,引入梯度约束方法,保护模糊核的结构特征。对于较大尺寸的模糊核,采用多尺度策略进行图像复原。实验结果表明,文中算法能够有效提高模糊核估计的准确性,提升运动模糊图像复原的质量。

基于显著性边缘特征的图像匹配

为了克服可见光与红外图像之间的细节边缘纹理的差异对异源图像的匹配造成的不利影响,本文采用一种显著性边缘提取算法,该算法通过抑制图像局部区域内变化微弱的部分,加强了显著性边缘,增加了匹配的精确性和鲁棒性。异源图像匹配仿真实验表明,本算法相比传统的Canny算法在异源图像中的匹配有更好的性能。

基于曲率约束因子与边缘加权法则的图像修复算法

针对当前较多图像修复算法主要通过对图像块进行方差和度量的方法来完成图像修复,忽略了图像块的显著边缘特性,使得修复图像容易出现模糊效应以及不连续效应等不良现象,导致算法修复性能不佳的不足,提出了基于曲率约束因子耦合边缘加权法则的图像修复算法.首先,通过像素点的等照度线方向构造曲率约束因子,对数据项进行约束,形成优先级度量函数,利用优先级度量函数选取优先修补块;然后,利用像素点的均值之差构造像素自相关模型,对样本块的大小进行了调整;最后,以样本块显著边缘为约束,构造了边缘加权模型,通过边缘加权模型联合SSD(sum of squared differences)模型建立了边缘加权法则,对最优匹配块进行搜索,用于对待修补块进行修复.仿真实验结果表明,与当前图像修复算法相比,本文设计的图像修复算法修复的图像具有良好的视觉效果.

融合对比度与背景先验的显著目标检测算法

针对已有的显著检测算法对背景复杂的图像检测效果较差的问题,提出融合对比度与背景先验的显著目标检测算法.首先将图像划分为感知均匀的像素块,再根据对比度先验定义图像的显著边缘、像素块的全局对比度及颜色相似像素块的空间分布,得到任一像素块与前景的相关性;然后根据背景先验将图像边界像素块定义为伪背景区域,通过计算像素块与伪背景区域的相似度得到像素块与背景的相关性;最后通过能量优化函数结合像素块与前景、背景的相关性,得到该像素块的显著值.实验结果表明,与同类算法相比,该算法能更好地使显著目标整体高亮,抑制背景噪声,得到较符合视觉感知的显著图.

融合全局显著性信息的轮廓编组模型

基于感知编组的轮廓提取算法容易受背景上边缘的影响,导致轮廓提取的准确率低,为此提出一种结合感知编组与全局显著性信息的轮廓提取算法.首先在Canny算子框架下增加显著性信息的约束,提取显著边缘,减少了背景上的边缘;然后在Ratio-contour算法的基础上提出了新的目标函数,使得文中算法能够收敛于显著性高的区域,得到的轮廓更准确地标识前景物体.实验结果表明,该算法有效地提高了轮廓提取的准确性,同时大幅减少了轮廓提取的计算时间.

一种改进的HED网络及其在边缘检测中的应用

HED网络(holistically nested edge detection network)被证明是目前用于边缘检测的一种性能较好的深度学习网络,但在实际应用中发现,将该网络用于前下视红外成像制导自动目标识别时,会出现检测出的边缘不完整、不光滑等问题。针对上述问题,对HED网络进行了改进,在此基础上提出了一种基于改进HED网络的边缘提取方法。首先,在原网络结构的基础上减少了两个池化层,提高了侧边输出层的输出精度,然后,将改进HED网络输出的边缘概率图进行二值化,得到显著性边缘区域;最后,采用基于匹配滤波的边缘提取方法提取图像的边缘,并将其与改进HED网络提取的显著目标边缘相融合,得到最终结果。实验结果表明,该方法能够大幅减少非目标区域的边缘,并且能够有效提取较为完整和准确的目标边缘,为后续红外图像中的目标检测、跟踪与识别奠定了良好的基础。

基于显著梯度的图像平滑算法

红外图像较可见光图像分辨率较低,噪声污染严重。特别在夜间监控过程中,红外干扰源较多,难以在监控图像中提取可疑物的轮廓外形。为此,提出了一种基于显著梯度的图像平滑算法,以整个图像的显著梯度的范数为约束,建立数学优化函数,通过交替寻优的方法对模型求解,平滑红外图像的同时,保护边缘信息,在平滑图像的基础上提取边缘信息。实验结果表明,算法可以保护显著边缘的同时平滑红外图像,为进一步监控识别提供了理论支持。

基于显著结构的图像修复

针对基于样本块的经典算法Criminisi算法在实际计算中有置信项减小,数据项逐渐失效的问题,提出一种改进方案。即改进置信项,增添显著结构项;将已经修复好的像素块作为候选块与待修复块匹配;采用非局部纹理信息匹配候选块与待修复块。实验表明,相较于改进前的算法,提出的算法效果有较大的提升。

局部极值分解耦合显著特征的医学图像融合算法

针对当前多模态医学图像融合方法中功能与结构信息互补性不强,易出现边缘失真与轮廓模糊等现象,提出了基于局部极值分解耦合显著特征的医学图像融合方案。引入局部极值,将源图像在不同尺度下分解为一系列的平滑与细节子图像;利用Canny算子获得边缘显著加权映射,以保持源图像的结构信息,并通过上下文感知算子来输出色彩显著加权映射,提取色彩与亮度信息;分别定义基于边缘和色彩的显著特征函数,将其作为加权映射系数的融合准则,得到平滑与细节融合图像;对平滑与细节图像进行重构,形成新图像。结果表明与当前融合技术相比,在CT图像与MRI图像、CT图像与PET图像融合中,所提方法得到的边缘与轮廓更清晰,细节更丰富。提出算法具有较高的融合质量,在医学、遥感与红外探测等领域有一定的应用价值。

基于稀疏先验和边缘约束的图像盲去模糊算法

针对运动图像盲去模糊问题,提出了一种基于稀疏先验和边缘约束的运动图像盲去模糊算法.首先利用非维度高斯测度正则约束恢复中间清晰图像,然后借助T-smooth技术提取显著性边缘,并采用变分狄利克雷模糊核估计方法求得较为准确的模糊核.在非盲去模糊阶段,结合全变分与超拉普拉斯正则化方法的优缺点,将两种方法复原的图像取平均,减轻了复原图像中的振铃效应,同时保留了更多的图像细节.实验结果验证了提出的新算法的有效性,与其他算法相比,所提算法可以获得更准确的模糊核和较佳清晰图像.

基于稀疏先验和相对总变分的图像盲去模糊

在图像盲去模糊中,从单一模糊图像估计模糊核是个严重不适定问题.文中提出了一种基于稀疏先验和相对总变分的图像盲去模糊方法.该方法用权值L0平滑方法自适应地提取图像主体结构,剔除图像噪声、细节和小尺度物体边缘等不利于模糊核估计的因素;用相对总变分方法解决稀疏先验作为正则项估计复杂模糊核所存在的不准确性;用超拉普拉斯先验的正则化方法进行清晰图像估计.实验结果表明,文中算法相对于现有的图像去模糊方法,所估计出的清晰图像具有较好的结构和较少的伪迹,图像复原效果好.

基于块效应抑制的压缩降质模糊图像盲复原

针对被压缩重构后的模糊图像复原问题,提出基于块效应抑制的图像去模糊方法.采用多尺度分解逐层进行模糊核估计,每一层利用去块效应的模糊图像作为有效显著边缘估计的参考图像,并在模糊核估计优化函数中加入模糊核梯度约束保证其连续平滑性,通过在频域交替迭代优化确定模糊核.最终复原约束项为图像全变分以及L2范数块效应抑制项,该项通过迭代使得复原图像和去块效应图像逐步逼近.实验结果表明,提出的方法能够在较高压缩率的模糊图像中估计出相对准确的模糊核,得到兼顾消除块效应与保留图像细节的复原效果.

基于深度编码-解码器的图像模糊核估计

在图像去模糊问题中,显著边缘结构对图像的模糊核估计具有重要的作用.本文提出一种基于深度编码-解码器的图像模糊核估计算法.首先,通过构建训练数据集对深度编码-解码器进行训练,进而自适应地获得模糊图像的显著边缘结构;接着,结合显著边缘结构和模糊图像,利用L2范数正则化对模糊核进行估计;最后,利用超拉普拉斯先验和所估计的模糊核对清晰图像进行估计.与传统的方法相比,所提出的方法不需要多尺度迭代框架.实验结果表明,所提出的算法在获得较好的显著边缘结构以及清晰图像的同时,能够减少算法计算的时间.

显著性边缘引导下的图像抽象化

针对已有的图像抽象化算法难以反映显著性边缘信息的不足,提出了一个显著性边缘引导下的基于能量优化的图像抽象化算法。对于给定的输入图像,首先基于边缘信息传递策略来提取图像的显著性边缘图,从而有效地减少了不连续边缘的产生;然后,为了在增强显著性边缘的同时抑制杂乱细节信息,根据显著性边缘图来构建图像的期望梯度场;最后,在图像颜色信息和期望梯度场的约束之下,通过能量优化来获得图像的抽象化效果。实验结果表明,本文算法在显著性边缘的连续性保持上表现出明显的优势,具有很好的科学研究价值及实际应用前景。