高斯拉普拉斯算子在联合相关变换器中的应用

提出将高斯拉普拉斯算子应用在光电联合相关变换器中进行谱面图像的增强处理。光电混合联合变换器可实现对目标的实时探测、识别及自动定位,但由于实际中采集到的图像的对比度较低,且存在大量背景噪音,影响了目标的识别率。根据高斯拉普拉斯变换对高斯噪声不敏感的特性,结合了自适应阈值、边界跟踪和细化技术,对图像噪声进行滤波的同时,对图像进行了增强处理,这样最大限度地保留了光谱图像的细节信息,提高了光电联合相关系统的目标识别率。

基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别

为了抑制虹膜噪声并提高算法通用性,提出在虹膜识别中运用高斯拉普拉斯(Log)算子与自适应优化伽柏(Gabor)滤波。Log算子抑制虹膜噪声,40组频率和方向各不同的Gabor滤波提取虹膜特征,将特征转化为二进制特征编码。滤波参数用变异粒子群优化(MPSO)算法针对不同虹膜库进行自适应优化。通过计算虹膜间的汉明(Hamming)距离判定虹膜类别。与其他Gabor滤波和机器学习类算法相比,该算法可以有效抑制虹膜噪声干扰进而提高识别正确率,同时算法在多种虹膜库识别的通用性更好。

高斯拉普拉斯算子检测马铃薯斑点缺陷研究

提出一种用高斯拉普拉斯算子的方法对马铃薯斑点缺陷进行检测,也称为"Lo G斑点"检测,该算法结合B通道灰度化及迭代阈值分割法可以有效地识别马铃薯表皮的干腐、结痂缺陷。实验采集了2 5 8个马铃薯样本的516个正反面图像,正确识别率94%以上。结果表明:该方法对检测马铃薯的干腐及结痂缺陷有效。

基于高斯拉普拉斯算子的色域映射算法

目的进一步提高色域映射质量,深入研究空间色域映射算法。方法利用高斯拉普拉斯算子对原图的边缘细节进行提取,叠加到映射后图像上再进行二次映射,得到的图像使用结构相关性和图像色差模型进行评价,将数据与最小色差法、CUSP和Bala等人提出的算法进行比较。结果基于高斯拉普拉斯算子的色域映射算法的结构相关性和图像色差都比Bala等人提出的算法要好。对于色彩艳丽、细节丰富的图像,空间色域映射算法结构相关性和图像色差反而不如普通算法。结论基于高斯拉普拉斯算子的色域映射算法能够提高图像的映射质量,但是空间色域映射算法映射质量并不一定优于非空间类色域映射算法。

基于高斯拉普拉斯的层次剥离体绘制

由于仅修改传递函数很难解决组织间的遮挡问题,尤其是同种组织间的遮挡问题。采用边缘检测的原理确定不同组织间的分层点,并针对基于梯度的层次剥离体绘制难于选择合适的梯度阈值的缺点,提出通过判断图像二阶导数过零点的方法,确定不同组织的分层点。同时,为了达到实时效果,通过图形处理器对算法加速,实现实时绘制的效果。实验结果表明,该算法能够自动地并实时地实现体绘制的分层显示,显示结果较清晰。

基于高斯拉普拉斯算子的多聚焦图像融合

多聚焦图像融合利用图像众多互补信息,获取清晰的融合图像。为了解决基于变换域和空域方法中易丢失信息及时间复杂度高的问题,提出基于高斯拉普拉斯算子(LOG)的多聚焦图像融合算法。利用高斯拉普拉斯算子对原始图像进行掩膜卷积,取其绝对值得到相应原始图像的聚焦程度度量图;用滑动窗口技术,分别对每个度量图进行比较,窗口内和值大的视为聚焦,相应得分图加1,通过得分图与一定策略得到决策图;通过决策图对原始图像加权得到融合图像。从多聚焦图像公开数据库进行实验,LOG平均融合结果指标PSNR、MI、QAB/F为28.08、5.28、0.73,均高于算法MST-SR和CSR。

基于高斯-拉普拉斯滤波的增强局部对比度红外小目标检测算法

针对单帧图像红外小目标检测算法在低空复杂背景下虚警率高的问题,提出一种基于高斯-拉普拉斯(LOG)滤波的增强局部对比度算法来检测低空复杂背景下的红外小目标。通过LOG滤波运算快速提取候选目标像素,同时通过像素灰度指数运算增强目标。根据局部区域目标与背景的灰度特征计算目标显著图,通过自适应阈值分割提取目标。针对不同的低空复杂场景,构建了测试数据集,从信噪比增益、背景抑制因子、检测率、虚警率及算法计算效率方面将所提算法与Top-Hat算法、Max-median算法、RLCM算法、IPI算法及MPCM算法进行对比分析。实验结果表明,在不同场景中,所提算法相较于对比算法不仅具有较高的信噪比增益和背景抑制因子,而且具有较高的检测率、较低的虚警率和较高计算效率,验证了该算法的有效性和鲁棒性。

基于改进高斯—拉普拉斯算子的噪声图像边缘检测方法

针对现有梯度算子在图像边缘检测中存在的对噪声比较敏感的问题,提出了一种改进的高斯—拉普拉斯算子的边缘检测方法。噪声图像中的边缘检测是一项关键任务,然而目前常用的几种梯度算子,包括已经提出的高斯—拉普拉斯算子都没能取得理想效果。提出的方法对传统的拉普拉斯边缘检测算子作了改进,并与高斯滤波器相结合,应用高斯滤波器平滑图像,抑制噪声,再基于拉普拉斯梯度边缘检测器进行边缘检测。最后,在imagenet数据集中选取了10幅图像进行实验,将提出的高斯梯度边缘检测器与传统的边缘检测器进行比较。评估结果显示,提出的方法所获得的峰值信噪比(PSNR)高于对比算法,而均方误差(MSE)更小。实验结果表明,提出的方法在实际应用中能够有效提高噪声图像边缘检测的质量。

高斯-拉普拉斯边缘检测算子的扩展研究

针对经典的高斯-拉普拉斯(LOG)边缘检测算子是各向同性的,对各个角度方向的图像边缘检测的力度是相同的特性,对经典LOG边缘检测算子引入了角度信息参量进行推导,使以圆为对称的经典的LOG边缘检测算子变成为以椭圆对称,并且可以在坐标轴旋转任意角度的边缘检测算子,增强了其边缘检测的功能,使之能对不同角度方向的边缘更加有效地进行检测.经过在Matlab里对同一幅图像进行比较实验,对于图像中不同角度的边缘均能相应地进行提取.扩展后的LOG算子,不仅增强了边缘检测算法功能,而且完全保留了经典LOG算子原有的优点.

高斯—拉普拉斯算子场源边界识别方法

高斯—拉普拉斯算子是各向同性的二阶微分算子,具有旋转不变性,对重磁场梯度突变敏感,与异常边界走向无关;利用高斯—拉普拉斯算子消除空间尺度小于高斯空间系数的数据强度变化,压制噪声干扰,计算出梯度的零值点位置圈定重磁场的边界。理论模型和实际资料表明高斯—拉普拉斯算子方法具有边界识别效果好、分辨能力高、边界定位准确等特点,对于不同埋深、不同规模、不同产状的多场源叠加的复杂地质构造,可以清晰地勾勒出梯度相对平缓的微弱异常以及相邻叠加相互干扰的局部异常边界位置,为进一步提高重磁位场局部异常精细解释提供丰富的细节信息,对识别地质体边界、划分大地构造单元、确定断裂带和地质构造走向等具有一定意义。

基于高斯拉普拉斯算子的加权引导图滤波立体匹配算法

提出了一种基于高斯拉普拉斯(LoG)算子的加权引导图滤波立体匹配算法。采用加权绝对差与梯度相融合的方式计算匹配代价。利用基于LoG算子的引导图滤波进行代价聚合,使惩戒参数能够随图像中的不同纹理区域进行自适应调整。使用赢者通吃(WTA)策略计算视差,并采用二次插值法得到最终的视差图。对Middlebury平台中的图像进行测试,结果表明,所提算法的平均误匹配率为4.32%。该算法可以有效地兼顾图像的高纹理区域和低纹理区域,并降低了视差图的误匹配率。

基于高斯-拉普拉斯算子的图像边缘检测方法

提出了一种基于高斯-拉普拉斯算子的图像边缘检测方法,通过MATLAB软件仿真实验,证实了这种方法的可行性和有效性。

高斯-拉普拉斯金字塔法重建多分辨率锥束CT三维图像

为解决锥束CT重建不同分辨率三维图像需求,提出一种高斯-拉普拉斯金字塔法重建多分辨率锥束CT三维图像方法.该方法对锥束CT采集到的投影数据进行高斯金字塔分解,将分解后的低频图像集进行FDK重建得到低分辨率三维图像;构造拉普拉斯金字塔获得对应分解图像的残差图像集,均值滤波后与低频图像集融合,对融合数据重建后的三维数据双线性插值进而得到高分辨率三维图像且在重建高分辨率三维图像过程中耗费时间与传统FDK算法相比能够缩短1/2以上.

基于拉普拉斯高斯算子边缘检测的零水印版权保护算法

为满足数字媒体信息版权保护需求,提高零水印在抵御数字信号攻击时的鲁棒性,在Chang所提出的零水印版权保护算法的基础上,对图像特征提取中的边缘检测方法进行改进,利用拉普拉斯高斯算子(LOG)边缘检测代替Chang算法中的Sobel边缘检测。仿真实验表明,该算法在抵御数字信号攻击时具有较高的鲁棒性。

基于高斯-拉普拉斯金字塔的DR图像增强改进算法研究

目的为从数字X线成像(Digital Radiography,DR)图像中获取更多的诊断决策信息,在传统高斯-拉普拉斯金字塔算法的基础上提出了改进。方法在基于人眼视觉特性及获得更好细节增强效果的基础上,对图像低频分量采用直方图均衡使图像灰度显示更加均衡,对图像高频分量采用分层指数增强使图像细节更加清晰。结果改进算法提高了胸部、盆腔和脊椎等部位的DR图像的对比度,使图像更有层次感,获得了良好的图像增强效果。结论实现结果表明,该算法的增强效果优于传统高斯-拉普拉斯金字塔算法。

利用Delphi 6实现拉普拉斯高斯边缘检测算法

本文描述了拉普拉斯高斯边缘检测算法结合算法在Delphi6编程环境下对BMP 格式的灰度图像进行了边缘检测处理,从而体现其优越性。

基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估

与从现实场景中拍摄的自然图像不同,屏幕内容图像是一种合成图像,通常由计算机生成的文本、图形和动画等各种多媒体形式组合而成.现有评估方法通常未能充分考虑图像边缘结构信息和全局上下文信息对屏幕内容图像质量感知的影响.为解决上述问题,本文提出一种基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估模型.首先,使用高斯拉普拉斯算子构造由失真屏幕内容图像高频信息组成的边缘结构图,然后通过卷积神经网络(Convolutional Neural Network,CNN)对输入的失真屏幕内容图像和相应的边缘结构图进行多尺度的特征提取与融合,以图像的边缘结构信息为模型训练提供额外的信息增益.此外,本文进一步构建了基于Transformer的多尺度特征编码模块,从而在CNN获得的局部特征基础上更好地建模不同尺度图像和边缘特征的全局上下文信息.实验结果表明,本文提出的方法在指标上优于其他现有的无参考和全参考屏幕内容图像质量评估方法,能够取得更高的主客观视觉感知一致性.

一个结合形态学滤波和高斯-拉普拉斯滤波检测乳腺X线影像中钙化点的新方法

微钙化点是乳腺X线影像上独立的亮点,它表征乳腺癌的早期症状。但由于乳腺图片本身规模大、复杂且噪声多,微钙化点体积很小,与乳腺背景对比度又低,所以很难被检出。形态学带通滤波(MBF)算法尽管能快速检出钙化点,但精度不足。高斯-拉普拉斯滤波(LoGF)尽管能比较精确地检出钙化点的位置但较费时。本文提出一种结合上述两者优点同时能克服其缺点的钙化点检测新方法。在南京中大医院乳腺癌数据集上所做实验结果表明,该方法的检测时间接近于MBF方法,同时准确度和LoGF检测方法相当。

基于改进LOG算子的雷达图像边缘检测算法

雷达图像中固定地物杂波的边缘轮廓对运动目标检测有重要作用.针对传统的高斯-拉普拉斯(LOG)边缘检测算法在对雷达图像进行边缘检测时对噪声敏感,易影响图像边缘轮廓信息的提取问题,提出了一种改进的LOG边缘检测算法.首先采用改进的均值滤波和双边滤波对图像进行平滑去噪;然后用拉普拉斯算子计算二阶方向导数,计算零交叉点得到图像的边缘位置信息,从而获得连续、完整的地物边缘轮廓;最后对雷达图像采用原始LOG和本文改进的LOG算法进行了对比实验.实验结果表明,在强地物杂波环境下,与原始LOG算法相比,改进的LOG算法提高了边缘的检测精度,改善了图像边缘连续性,从而可提高雷达目标的检测概率.

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。