基于曲率尺度空间的轮廓角点检测

在曲率尺度空间和多尺度曲率积的基础上,提出了一种基于多尺度曲率多项式的角点检测算法。首先基于曲率尺度空间检测不同尺度下的角点,然后利用多尺度曲率积或曲率和对检测到的角点进行增强处理,该方法可有效抑制噪声影响,防止高尺度下对一些角点平滑;另外,根据多尺度曲率多项式结果的符号还可有效的判别所检测角点的凹凸性。采用不同的评价准则及实例图像进行测试,实验结果证明该角点检测器是非常有效的,优于文中其它两种检测算法。

一种基于曲率尺度空间的自适应角点检测方法

角点是图像处理中的重要特征,基于曲率尺度空间技术,提出一种自适应角点检测方法。首先提取图像的轮廓,采用一个固定的低尺度计算所有轮廓点的曲率,并根据曲率得到候选角点集,然后用由自适应支持区域确定的角点角度和一个动态曲率阙值代替固定的阙值筛选出正确角点。实验结果证实该方法应用于复杂图像的精确性和稳定性。

基于曲率尺度空间的角点检测图像匹配算法分析

计算机技术的发展下,优化提升图像匹配算法,可以提升图像检测精度。基于曲率尺度空间的角点检测图技术,优化设计图像匹配算法,基于曲率尺度空间的角点检测算法进行图像特征点的提取,归一化处理特征点,有助于提高图像匹配精度。利用该算法最终实现图像匹配需求,验证了算法的有效性,改进了图像匹配中特征点过度分离的弊端,提高了图像匹配检测的整体精度约10.0%。该算法发挥了积极应用价值,值得在实践应用中推广。

改进的曲率尺度空间角点检测

在曲率尺度空间(CSS)角点检测中,通常采用高斯滤波对图像进行去噪处理。但该方法很大程度上降低了角点检测的准确性和精确性,因此,提出了利用双边滤波来改进的CSS角点检测算法,可以在很好去噪的同时又保证角点检测的高精度。实验结果也充分验证了该算法较其他算法具有的高效性和准确性。

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。

B-样条尺度空间轮廓演化差异的角点检测

为了提高图像角点检测精度和提升角点运算效率,提出了一种新颖的基于B-样条尺度空间的轮廓演化差异的角点检测算法。把DoB(Difference of B-spline)的范数定义为角点的响应函数,用来刻画其尺度演化差异。DoB角点检测器融合了图像轮廓在不同尺度下的特征信息,既增强了特征点的响应,又抑制了噪声的影响。采用B-样条函数做卷积运算在各类角点检测器中复杂度小,速度快。通过实验对比,结果表明提出的算法具有良好的定位、抗噪及旋转和尺度不变性。

基于直接曲率尺度空间的曲率积的角点检测

该文基于全局和局部曲率特性的角点算法,提出了一种基于直接曲率尺度空间的曲率积分的角点检测。该算法首先将原算法中的曲率尺度空间替换为直接曲率尺度空间,减少了计算量,然后针对原算法中容易将钝角点误认为圆角点移除的缺点利用设置阈值的多尺度曲率积来加强角点检测,减少了正确角点的丢失。最后再利用自适应支持域确定的角度和动态曲率阈值移除由噪声引起的错误角点和圆角点。实验结果证实该算法不仅提高了检测正确角点的数目,同时提高了检测效率,并且取到的角点更加稳定。

基于曲率尺度空间的角点检测图像匹配算法

随着计算机技术的发展,提出了优化图像匹配算法,能有效提高图像检测精度。笔者以依托曲率尺度空间的角点检测图像匹配算法为研究视角,在介绍其执行步骤的基础上,通过仿真实例验证其有效性。研究结果表明,这种算法能有效改进图像匹配过程中特征点过渡分离的不足之处,提升其匹配精度约为10%,说明这种算法具有推广应用的价值。

融合角点检测的点云配准研究

为提高点云配准效率,提出一种基于点云曲率信息的Harris角点提取算法,通过引入曲率约束,对传统Harris角点提取做出改进;计算每个点的曲率值并与整幅点云的平均曲率作比较,保留曲率值大于平均曲率的点云,实现对配准价值较低的点的剔除,为后续点云配准减少计算量;构建所提取角点之间的特征匹配,结合采样一致性(sample consensus initial alignment, SAC-IA)粗配准和正态分布变换(normal distributions transform, NDT)精配准,寻找最优的变换矩阵,实现源点云和目标点云的重合。通过比较不同算法在公开数据集上进行实验验证,结果表明该方法对复杂点云、多拐点点云都有较好的表现,对初始位置相差较大的点云也有良好的适用性。

基于曲率的尺度空间中的角点增强

角点检测在模式识别、计算机视觉和其它相关领域中占有重要地位．由于无法事先确定应在什么尺度下进行检测，我们很难从平面曲线中准确地提取出角点．本文阐述了通过曲线尺度空间（Curvescalespace）来增强角点的方法．该方法的主要思想是通过曲线的形变（或构造曲线尺度空间）使曲线上的角点随着尺度的增加变得更加突出，以便准确地提取出角点．从广义的几何热扩散方程（GGHF）出发，我们得到了该方法中曲线曲率的演化形式，它揭示了构造基于曲率的尺度空间与形成尺度空间所需符合的准则二者间的本质联系．本文研究GGHF符合尺度空间准则的条件并给出了寻找不同的符合尺度空间准则的曲线演化方法，与此同时，我们给出了角点可被增强的条件．在符合上述条件的前提下，本文给出了一种新的构造尺度空间的方法，该方法符合尺度空间的准则，并能够在去除噪声和不重要的小结构的同时，有效地增强曲线上的重要角点．

基于平行四边形对角线理论优化的直线拟合角点检测

在汉字图像识别的过程中,角点的检测有助于分析汉字的特征,反映出汉字图像的各个部分的重要信息。在以往的角点检测算法中通过曲率来判断角点的算法有不错的效果,但存在钝角点或者是圆弧处的角点检测不够精准。在自适应直线拟合角点检测的基础上通过对圆弧处的角点进行平行四边形对角线曲率估计来筛选出最终的角点集合。通过对比已有的角点检测算法,在兼顾时间效率的基础上,所提出的方法对于汉字的角点检测精确率更高,应用效果更好。

基于多尺度曲率乘积的鲁棒图像角点检测

为了更好地进行图像角点检测,在曲率尺度空间(CSS)框架下,提出了一种基于多尺度乘积的角点检测技术,其中曲率尺度积函数被定义为各个尺度下轮廓曲率的乘积,而角点则被定义为曲率乘积的局部极值点。这种尺度积不仅能显著地增强角点曲率极值点的峰值,同时能抑制噪声影响,而且不改变角点的位置,为了说明该技术的优点,根据角点数一致性(CCN)准则证明了该技术优于其他的角点检测算法。实验结果表明,该方法不仅具备优越的检测效果,并对噪声有较强的鲁棒性。

基于曲率多尺度的高精度角点检测

为了提高角点检测的精度,满足算法的稳定性与实时性,提出了一种基于曲率多尺度和局部迭代的亚像素角点检测算法。首先基于Canny算子和自定义边缘跟踪算法检测目标轮廓,然后利用多尺度曲率多项式得到像素级的角点,最后以像素级角点为中心,利用向量正交性原则,采用迭代算法及双线性插值得到子像素级角点。实际测试表明:该方法检测效率高,提取到的角点稳定,精度可以达到0.2pixel,可满足实际应用中的实时、高精度要求,目前已成功地应用于嵌入式机器视觉工业现场。

多尺度曲率角与灰度比例复合的角点检测方法

针对轮廓附着物对视觉测量中角点检测的干扰,提出一种基于轮廓信息与灰度信息复合的角点检测及伪角点排除方法.利用角点处曲率角的多尺度不变性检测候选角点并排除小尺度伪角点,利用角点为顶点的矩形窗口内三角形区域灰度占比情况排除大尺度伪角点.实验表明,利用轮廓信息与灰度信息复合的方法能够有效减小各尺度附着物伪角点干扰,检出的角点稳定可靠.

基于多尺度离散曲率的图像角点检测方法

传统的曲率计算方法对离散域上的局部变化和噪声敏感,使得角点检测准确率和定位存在偏差。为了减少上述问题,提出了一种多尺度离散曲率来计算曲率并检测角点。首先,用Canny边缘检测器处理输入图像,得到一个二值化边缘图,然后从边缘图中提取边缘轮廓,沿着轮廓填充缝隙,检测并标记T型角点;其次,在3个不同的平滑尺度下,用高斯函数对每条平面曲线进行平滑处理,再使用新的曲率度量方式,计算经平滑后每个轮廓上点的曲率,并将绝对曲率的局部极大值点作为各尺度的候选角点;最后,将候选角点曲率值与曲率阈值比较,大于曲率阈值的点定义为候选真实角点,并将3个尺度下均可检测到的候选角点作为真实角点。实验结果表明:本文算法对标准角点数据实验室图进行检测时,检测到的正确角点数为159,错误角点数为90,丢失角点数为16,定位误差为1.2572;对标准角点数据积木图进行检测时,检测到的正确角点数为46,错误角点数为13,丢失角点数为1,定位误差为1.0132。与现有的3种经典角点检测算法相比,本文的检测方法具有更好的角点检测性能。

基于改进曲率尺度空间技术的图像水印算法

提出一种新的鲁棒性水印算法,利用改进的曲率尺度空间技术,提取图像的少量较顽强角点,用于重建受几何攻击的图像。选取2个chirp信号作为水印信息,将其嵌入图像的分数傅里叶变换(FRFT)域,选用变换阶次和水印嵌入位置矩阵作为算法密钥,根据chirp信号在FRFT域呈现的冲激特征检测水印信号。仿真实验结果表明,该算法具有较高不可见性、安全性和鲁棒性。

基于L曲率的尺度空间形状分析技术

尺度空间技术由于能够很好地模拟人类的视觉机能,已经成为理解和分析图像的一种现代化工具.本文提出了一种基于L曲率的尺度空间形状分析技术.考虑了该技术在形状描述和角点检测中的应用,并具体地给出了一种检测角点的多尺度曲率积算法.L曲率的尺度空间图表明它的零点和极值点关于尺度参数是稳定的,具有较强的鲁棒性.新的角点检测算法能够增强形状特征点的信息,抑制噪声,可以得到良好的实验结果,且计算量较少.

多尺度积角点检测和视觉颜色特征的鲁棒车牌定位算法

车牌图像包含的尺度、仿射变化及其复杂的背景是影响车牌定位准确度的重要因素。在高斯差(DOG)尺度空间框架下,笔者提出了一种基于多尺度乘积的角点特征和视觉颜色特征提取及其相融合的车牌定位算法。基于高斯差尺度空间的图像边缘信息,应用多尺度乘积分别提取具有尺度和仿射不变特性的角点和颜色特征,并在两特征融合结果基础上确定车牌位置候选区域;最后通过车牌区域特征点之间的距离及密集关系实现车牌的准确定位。对大量实拍的复杂环境下的车辆图像进行测试表明,该算法对车牌定位具有快速、高效的定位效果,且在噪声、仿射变换等方面的鲁棒性表现较好。

基于局部曲率函数的角点检测

角点检测是计算机图像处理领域的基本问题之一,在全局曲率函数角点检测的基础上,提出一种基于局部曲率函数的快速角点检测算法。通过Canny算子提取图像的边缘,在边缘的基础上计算轮廓的局部曲率函数,由于Canny算子首先用高斯滤波器对图像平滑处理,尽可能的去除了噪声而不损失角点,计算局部曲率函数的最大峰值,通过设定阈值检测出角点。对算法进行仿真,试验结果表明该算法可以稳定的检测角点,并对旋转、尺度和噪声具有较强的鲁棒性。

基于协方差矩阵的B-样条多尺度表示的角点检测

在B-样条尺度空间下定义了平面轮廓在其支撑区域(ROS)内的协方差矩阵的多尺度表示,矩阵的最大特征值对应的向量表示轮廓切线方向。将各个尺度下的切线方向变化率的乘积定义为多尺度积。而角点就定义为多尺度积大于给定阈值的局部极大值所对应的点。由于多尺度乘积融合了轮廓在不同尺度下的特征信息,增强了特征点的响应,抑制了噪声的影响,因而所提出的算法既能精确定位,又对噪声有良好的鲁棒性。通过实验证明了算法具有旋转不变性,并对微小的尺度变化不敏感,而且与其他的角点检测器进行了对比。