基于Harris的快速3-D特征点检测算子

图像匹配是数字摄影测量和计算机视觉领域中的关键技术。目前,基于特征点的匹配广泛应用于图像匹配中,至关重要的是如何定位特征点,高精度的特征点产生高精度的匹配结果。本文提出了3-D Harris特征点检测算子,分两个步骤实现:采用高斯算子平滑灰度突变点和利用Harris算子提出视频中的像素角点。实验结果表明了3-D Harris算子的高效性和精确性。

基于Harris算子的图像拼接高精度检测技术

针对医疗器械要求高精度检测的特点,提出了采用图像拼接对器械进行检测的方法,通过Harris算子精确提取图像中的特征点进行图像拼接,不但极大提高了拼接精度以及精密医疗器械的检测精度,而且增加图像分辨力与成像范围。拼接精度是检测精度的保证,基于Harris算子的拼接图像可实现微米级高精度检测。通过该方法进行图像拼接并测量其精度,测试精度与单幅图像相比明显提高,结果完全符合器械检测要求。基于拼接的精密仪器测量是一种提高测量精度的新方法,这方面的研究必将推动机器视觉技术的进一步发展。

Harris算子耦合强度特征的图像复制-粘贴篡改检测算法

目的针对当前较多图像复制-粘贴篡改检测算法主要依靠度量图像的结构特征来实现篡改检测,忽略了图像的强度特征,使其在各种几何变换下难以准确检测出伪造内容,导致检测结果中存在漏检和误检等问题,设计一种基于Harris算子耦合强度特征的图像复制-粘贴篡改检测算法。方法利用Harris算子对图像的特征点进行精确的提取。通过特征点构造圆形特征区域,求取该区域的Zernike矩,通过Zernike矩的大小实现对特征点的描述。随后,利用不同阶数的Zernike矩来描述图像的强度特征和纹理特征,从而构造匹配模型,对图像特征进行粗匹配,并引入RANSAC方法对粗匹配结果进行优化。最后,利用形态学腐蚀与膨胀操作将特征区域进行连通,以确定篡改区域。结果实验结果表明,与已有的图像伪造检测方案相比,所提算法具备更高的检测精度和鲁棒性,在噪声和旋转等变换下仍有更好的检测效果。结论所提技术拥有较高的伪造检测准确性,在图像水印、信息安全领域具有一定的参考价值。

基于MeanShift和Harris算子圆网印花机对花检测的研究与设计

为了实现基于智能相机的圆网印花自动对花系统,本文提出了基于均值漂移(MeanShift)算法的彩色印花图案分割技术和基于Harris角点检测的块匹配算法。将扩展形式的均值漂移算法用于印花图案的分割,实验证明该算法能对印花图像进行良好的分割。把已分割标准图像的各套色区域提取出来,采用Harris算子进行特征点检测,并以这些特征点为中心,选定标准匹配块,在处理好的实时采集的图像中找到最佳匹配块,计算对花误差。通过仿真和实验验证算法是可行性的,为实现在线对花检测闭环控制打下基础。

基于Harris算子的灰度图像角点检测方法研究

角点是图像中的一个重要特征,含有丰富的信息量,决定了图像中目标的形状。角点对图像处理有足够的约束力,利用角点信息可有效地提高运算速度。角点特征可应用于很多领域,例如运动估计、目标描述、图像匹配、目标跟踪等。本文主要研究了数字图像的Harris角点检测算法。Harris角点检测原理中角点与自相关函数的曲率特性有关,是计算像素点所在位置的梯度变化,若沿水平方向和垂直方向的绝对值都比较大,则这个像素点被判为角点。

一种自适应的Harris角点检测算法

分析Harris角点检测算子的实现原理及其不足,提出一种基于图像分块和邻近角点剔除策略的自适应Harris角点检测算法,检症测出的角点均匀分布,有效避免了角点聚簇现象。实验结果表明,该算法检测出的角点分布更均匀合理,能很好地适应图像拼接等实际应用。

一种改进的Harris角点检测算法

图像拼接中,提高角点检测的精确度可以提高配准的精度。在Harris算法的基础上,提出了一种改进的角点检测算法,算法首先分别对图像中每行、每列上所有像素点的Rharris进行X、Y方向的曲线拟合,然后对拟合后的曲线进行分析,若某个像素点的Rharris值在两个方向上都处于"波峰"位置,则将该像素点检测为角点。实验结果表明该算法可以避免阈值的选择,有效地克服了阈值选择不当造成的角点冗余或丢失,提高了角点检测的精度。

基于边缘改进的Harris角点检测方法

针对Harris角点检测算法中,对于图像角点存在错检和漏检的问题,提出了一种基于图像边缘的Harris角点检测方法。该方法首先采用二阶微分算子提取图像边缘,然后在得到的图像边缘的基础上进行Harris角点检测,最后记录检测出的角点的位置并在原图上进行标记。实验结果表明,相对于传统的采用梯度进行角点检测的方法,采用二阶微分算子提取边缘后的角点检测方法能够更多更准确地检测到图像的角点。

基于改进Harris-SIFT算子的快速图像配准算法

提出了一种基于改进Harris-SIFT算法的快速图像配准方法。首先,对传统Harris算法进行改进:一是构建高斯尺度空间,提取具有尺度不变性的角点特征;二是借鉴Forsnter算子思想对提取的角点进行精定位,以提高配准精度。然后,利用SIFT算子的特征描述方法对提取的特征点进行描述,通过随机kd树算法对两幅影像的特征点进行匹配。最后采用RANSAC算法对匹配点对进行提纯,并通过最小二乘法估计两幅影像间的空间几何变换参数,完成图像配准。实验结果表明:本文方法在基本保持配准精度的同时,能够大大减少标准SIFT所需的配准时间。

改进Harris算子用于点特征的精确定位

Harris算子是在计算机视觉领域使用非常广泛的点特征提取算子 ,它算法简单 ,而且稳定 ,但缺憾是其定位精度只能达到一个像素。参考摄影测量中F¨orstner算子精确定位的思想 ,改进Harris算子 ,使其可以定位到子像素。实验证明 ,该方法在点特征的提取和精确定位方面都达到了较好的效果。

基于Harris算子的遥感影像自适应特征提取方法

提出一种基于Harris算子的遥感影像自适应特征点信息提取新方法。在进行特征点自动提取时,该方法通过设计一种自适应的迭代策略,实现了特征点阈值的自动确定。在兼顾局部纹理信息的基础上,通过对影像预先的分块处理和邻近点剔除,保证了特征点在全幅影像中的均匀分布。杭州地区TM影像特征点的提取试验表明,该方法自动化程度高,提取的特征点分布均匀合理,能满足几何配准和几何纠正精度要求,具有较高的实用价值。

一种新的Harris多尺度角点检测

Harris角点检测是一种经典的角点检测算法,但不具有尺度变化特性。该文把多分辨分析的思想引入到该算法中,构造了基于小波变换的灰度强度变化公式,并得到了具有尺度变换特性的自相关矩阵,从而构建了一种新的基于小波变换的Harris多尺度角点检测算法。这样,使得新的角点检测可以在不同的尺度下获取角点,并克服了单一尺度的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而提取出伪角点等问题。通过对比实验,新算法明显地提高了图像角点检测性能。

自适应的Harris棋盘格角点检测算法

针对摄像机标定中的棋盘格角点检测问题,分析了Harris角点检测算法局限性,综合考虑了多个参数对角点提取的影响,根据每个参数影响程度的不同采取分步调整策略,实现棋盘格角点的自适应检测算法。该算法计算量小、易于实现,提高了运算效率,有效避免了角点聚簇和角点分布不均的角点空缺现象的产生。实验结果表明,该算法对摄像机各种畸变情况下的棋盘格角点可准确提取。

基于像素点灰度差的Harris角点检测算法

针对Harris算法在图像处理过程中特征点提取实时性和抗噪能力较差、计算量大的问题,提出一种结合像素点灰度差的Harris角点检测算法。将被检测点与半径为3的邻近圆周上16个像素点作对比,以此计算非相似像素点的个数来确定候选角点,通过Harris角点响应函数提取角点,并结合SUSAN算法的思想去除伪角点。实验结果表明,改进算法提高了原算法的实时性,增加了角点提取的数量,并且能有效去除大多数伪角点,提高图像角点检测的速度和正确性。

基于图像分块的多尺度Harris角点检测方法

Harris角点检测是一种经典的角点检测算法,在现实中应用广泛,但不具有尺度变化特性。为了改变其单一尺度的特性,使得角点提取更加精确和有效,将多尺度的概念和图像分块方法引入到Harris算法中,在多个尺度下对角点进行提取。将每个尺度上的角点响应值的本地最大值作为该尺度上的候选角点,并同时对图像进行分块;最后,沿小尺度到大尺度方向判断候选角点是否是真实角点,剔除伪角点,使得角点检测更加精确。通过对比实验,新算法明显地提高了图像角点的检测性能。

基于尺度空间理论的Harris角点检测

研究了一种基于尺度空间理论的Harris角点检测方法。建立Harris函数的尺度空间表示,检测每个尺度水平上的极值,利用迭代算法验证每个尺度水平上LoG算子是否获得最大值,从而得到特征角点的位置及其尺度。该方法在保持Harris角点不受光照条件及摄像机姿态变化影响的同时,还能检测出多尺度下的特征点。通过实验验证该方法具有尺度不变特性,适用于尺度变化较大的视觉系统。

面向OpenCL架构的Harris角点检测算法

Harris角点检测算法是计算机视觉领域中使用非常广泛的点特征提取算法,它计算简单,稳定性强,但运算速度慢。当前已有算法优化研究一般只针对单一硬件平台,它们很难实现在不同平台上的高效运行。为此提出一种基于开放式计算语言(OpenCL)设计思想的Harris角点检测并行算法,其采用图形处理器(GPU)中共享存储器、常量存储器和锁页内存机制在OpenCL框架下完成影像角点检测的全过程。实验结果表明,基于OpenCL的Harris角点检测并行算法相比CPU上的串行算法可获得的加速比高达77倍,执行效率明显提高,对于大规模数据处理表现出良好的实时处理能力。

基于区域检测的多尺度Harris角点检测算法

针对传统Harris算法检测的角点遍布整个图像和对尺度变化较敏感的问题,本文提出将区域检测方法和多尺度Harris角点检测算法相结合,使检测到的角点数目更少,以提高后续的图像匹配重建的效率。首先,利用区域检测的算法构造图像显著图,采取腐蚀膨胀操作提取出目标区域作为候选的检测区域;其次,利用多尺度结合非极大值抑制的方法改进Harris算法,检测图像的角点并标记。仿真结果表明:本文方法能进一步提高角点检测的精确度和速度,同时在不改变任何参数的情况下,对于图像旋转能够减小角点提取的差异,增强算法的多尺度性。

Harris尺度不变性关键点检测子的研究

在特定的参数设置下Harris尺度不变性检测子不能提供足够数目的稳定关键点,以往研究据此断定Harris尺度不变性检测子不稳定,不是有效的特征检测子.在构造Harris角点值的尺度空间过程中,存在一系列参数影响着Harris角点值在尺度空间中极值点的数目,从而决定了Harris尺度不变性检测子所能获取的稳定关键点的数目.对这个参数空间进行了系统研究,发现积分尺度与微分尺度的比值对Harris尺度不变性检测子能否检测到足够数目的稳定关键点具有决定性的影响.当这一比值减少时,Harris尺度不变性检测子所获取的稳定关键点的数目快速增长;当这一比值小于0.8时,Harris尺度不变性检测子所能获取的稳定关键点的数目开始超出DoG检测子所能获取的稳定关键点的数目.这个有效的参数区间大大增加了Harris-Laplace检测子所能获取的稳定关键点的数目.与Harris-Laplace检测子以及DoG检测子进行比较,具有有效参数的Harris尺度不变性检测子具有最佳的稳定性能,这个结果纠正了关于Harris尺度不变性检测子不稳定的错误结论.

基于Harris算子的籽粒尖端识别方法

通过籽粒尖端形态特征分析,提出了一种基于Harris角点检测的籽粒尖端识别方法。Harris算子在一个局部区域中检测角特征,作为籽粒最明显的角结构,尖端在Harris角点检测中具有最大的响应值,使其对尖端不明显的籽粒也有良好的响应。通过对玉米、南瓜和西葫芦等具有尖端特征的750粒籽粒的测试结果表明,提出算法的尖端检测综合准确率为95.6%。