基于HC显著算法与BP神经网络的机器视觉系统

为了提高机器视觉环境下的目标图像识别能力,设计了基于HC显著算法模型与BP神经网络的机器视觉系统。构建机器视觉下多分辨图像特征检测模型,提取机器视觉图像的亚像素级特征量,根据中心像素与周围像素的差异性构建机器视觉系统识别的HC显著分割模型,采用HC显著分割算法进行目标图形的边缘轮廓检测和特征分割,建立图像中的像素与其周围环境和差异性分析模型,采用目标差异性检测和特征识别方法进行机器视觉系统的模糊特征提取,对提取的机器视觉图像特征量采用BP神经网络进行自适应分分类,实现机器视觉系统的优化设计和图像目标识别。仿真结果表明,采用该方法进行机器视觉系统构建,对目标图像的检测能力较强,识别精度较高,提高了目标图像成像的分辨力,具有很好的视觉成像和图像分析能力。

HOUGH-质心算法及其在形状识别中的应用

本文提出了一种扩展的Hough变换,它可以用于曲线检测、多类目标识别和同类目标失真参数估计。由于对原图象及其Hough变换图象两次进行质心计算,使得失真参数——位移量、尺度因子、旋转角能独立分步地计算。本算法同Krishnapuram—Casasent算法(KC法)相比,具有参数搜索精度和目标识别正确率高、运算速度快、占用内存少及抗干扰性强等优点。在对五种飞机模型图形的失真参数搜索和类型识别中,本算法的处理速度比KC算法提高了25倍,所占内存单元减少到1/5。

三维医学图像MC表面重建的相关性处理

本文针对HC算法重建速度慢，数据存储冗余的问题，提出了相关性处理方法；针对其生成的三角面片数量大，难以实现交互绘制的问题，提出了一种简单易行的三角形收缩算法来对模型进行简化。