基于图像空间的三维动态场景远程可视化方法

对复杂三维动态场景进行远程可视化,基于顶点运动轨迹的压缩、传输方法需要计算的顶点数量巨大,速度慢.针对这些问题,提出一种基于图像空间的三维动态场景远程可视化方法:首先在服务器端进行先空间后时间的自适应采样,获得多幅动画深度图像.通过使用动画深度图像的采样点代替原始动态场景中的顶点,极大减少需要参与计算的三维点数量;然后在每幅动画深度图像中并行压缩采样点的运动轨迹,有效减少压缩时间;最后将压缩后的动态数据传输到客户端并重构一定时间内的三维动态场景.实验结果表明,算法可以极大提高服务器端数据压缩速度,减少需要传输的数据量,有效降低网络带宽对数据传输的限制.     

基于曲率和中值滤波的快速推移图像修复方法

提出了一种结合中值滤波和基于曲率扩散的图像修复方法.中值滤波修复方法对于灰度值变化比较平缓的图像,修复效果从时间性能和视觉效果上均比较好,但对于灰度值变化比较剧烈的图像,效果不能令人满意.在结合了基于曲率扩散的修复方法之后,中值滤波的不足之处得到了改善.基于曲率扩散的修复方法考虑了图像本身的几何信息,在修复图像的几何特征上有较高的准确度.图像修复顺序由已知区域向未知区域扩散时经过各破损点的时间决定,用快速推移方法计算该时间.实验表明,该算法能高效、稳定地处理破损区域的图像信息.     

一种基于深度图像的自遮挡检测方法

针对视觉目标存在的自遮挡现象,并为更好地界定、规避自遮挡现象提供依据,提出一种完全基于目标深度图像信息、仅需通过分析深度图像平均曲率变化特征并结合使用二次阈值法进行自遮挡检测的方法.为避免平均曲率计算的复杂性,该方法首先采用改进的离散正交多项式局部曲面拟合法计算深度图像的平均曲率;然后,通过分析图像各点的平均曲率并结合曲率阈值提取与其八邻域点存在曲率异号的点组成自遮挡候选点集;最后,依据候选点与以其为中心的窗口内其它点存在深度值不连续的现象,再次使用阈值法,实现对自遮挡的检测.实验结果表明该方法能够有效地检测出自遮挡现象并获得自遮挡边界.     

基于曲率和中值滤波的快速推移图像修复方法*

提出了一种结合中值滤波和基于曲率扩散的图像修复方法。中值滤波修复方法对于灰度值变化比较平缓的图像,修复效果从时间性能和视觉效果上均比较好,但对于灰度值变化比较剧烈的图像,效果不能令人满意。在结合了基于曲率扩散的修复方法之后,中值滤波的不足之处得到了改善。基于曲率扩散的修复方法考虑了图像本身的几何信息,在修复图像的几何特征上有较高的准确度。图像修复顺序由已知区域向未知区域扩散时经过各破损点的时间决定,用快速推移方法计算该时间。实验表明,该算法能高效、稳定地处理破损区域的图像信息。     

结合密度阈值和三角形组逼近的点云压缩方法

针对非均匀采集点云数据压缩中压缩精度和压缩时间较难权衡的问题,提出一种结合密度阈值和三角形组逼近的压缩方法,并且用八叉树划分得到的非空体素来设置密度阈值以构造三角形组,实现点云表面模拟。首先,根据体素内点的分布确定三角形组的顶点;接着,排序顶点以生成每个三角形;最后,引入密度阈值来构造平行于坐标轴的射线,根据射线与三角形的交点来生成不同密度区域上的细分点。采用dragon、horse、skull、radome、dog和PCB点云数据,对改进区域重心法、曲率压缩法、改进曲率分级法、K近邻长方体法和所提方法进行对比实验。实验结果表明,在相同体素尺寸下,所提方法的特征表达效果优于改进区域重心法;在压缩率接近的情况下,所提方法在时间效率上优于曲率压缩法、改进曲率分级法、K近邻长方体法;在压缩精度上,所提方法所建模型最大偏差、标准偏差和表面积变化率皆低于改进区域重心法、曲率压缩法、改进曲率分级法和K近邻长方体法所建模型。实验结果表明,所提方法在较好地保留特征信息的同时,可在较短的耗时下对点云实现有效压缩。     

不规则形状图像曲率的自适应计算方法

提出一种针对不规则多形变红血球图像的自适应曲面拟合并计算曲率的方法,通过阴影恢复技术重构细胞表面的高度场形状,利用三维数据点根据最小二乘法进行曲面拟合,选定深度均方误差阈值来决定参与拟合的邻域点.计算得到的高斯曲率、平均曲率可用采表征某一点的表面类型,主曲率则用来观察曲面变化较大的区域.实验结果表明,该方法具有很强的可行性与实用性.     

视频人脸识别中判别性联合多流形分析

将基于视频的人脸识别转换为图像集识别问题,并提出两种流形来表示每个图像集:一种是类间流形,表示每个图像集的平均脸信息;另一种是类内流形,表示每个图像集的所有原始图像的信息.类间流形针对图像集之间的区别提取整体判别信息,作用是选出几个与待识别图像集较为相似的候选图像集.类内流形则考虑图像集内各原始图像之间的关系,负责从候选图像集中找出最为相似的一个.不同于现有的非线性流形方法中每幅图像对应流形中的一个点,采用分片技术学习两种流形的投影矩阵,每个分片对应流形中的一个点,所学到的特征更具有判别性,进而使流形边界更加清晰,同时解决了传统非线性流形方法中的角度偏差和不充分采样问题.还提出了与分片技术相匹配的流形之间的距离度量方法.最后在几个广为研究的数据集上进行了实验,结果表明:新方法的识别准确率高,尤其适用于不受控环境下的视频识别,而且不受视频段长短的影响.     

针对图像序列的谱深度学习算法

为了更好地理解图像序列的隐藏深度信息,需要分析数据的隐藏结构。目前,多采用谱流形学习算法学习高维采样数据的低维嵌入坐标,从而获取数据的隐藏结构。谱流形学习算法一般是基于所研究的高维数据分布在单个流形上的前提假设,并不支持图像序列中存在的多流形结构。结合图像序列的结构特点,提出了一种针对图像序列的谱深度学习算法(spectral deep learning,SDL)。通过建立混合多流形模型,保持流形局部变化的平滑和连续,利用流形对齐建立层次流形的映射关系,得到图像序列的深度低维嵌入坐标。最后通过实验证明了算法在混合多流形数据集和图像序列数据集上的有效性。     

基于信息几何的图像去噪

提出一种基于信息几何的图像去噪方法,与传统的欧氏空间中去噪方法不同,基于信息几何的图像去噪方法是在流形上利用两点间的测地线距离的大小来衡量图像中两像素点之间的相似性。流形中的点是通过图像中某区域构建的高斯模型,模型间的测地线距离表示两图像区域平均灰度强度和细节丰富程度的差别。这样将区域的平均灰度强度和细节丰富程度的差别作为像素点间的相似性,能够更加准确地衡量像素点间相似性的差异。实验表明,该算法提高了图像去噪效果,能够很好地保持图像细节。     

基于采样点组二值化策略的鲁棒二值描述子研究

鉴于当前基于采样模型的二值描述子的采样信息相关度高且描述子的鲁棒性较低,通过改进视网膜采样模型,提出基于采样点组二值化策略的鲁棒二值描述子。首先,通过减少采样层数并增大采样点间的距离,设计出低采样点密度和低采样区域重叠度的改进视网膜采样模型。然后,在模型中的采样点圆形邻域内获取若干像素点,将其与采样点一起组成采样点组,分别计算两个采样点组对应点的灰度对比结果,并利用投票策略决定最终二值结果。最后,将采样点组的梯度对比信息与灰度对比信息一起编码生成描述子,以提高对相似灰度区域的描述力。通过对比实验可以看出,所提二值描述子对各种图像变化具有较好的鲁棒性且具有较好的匹配效果。     

灰度序模式的局部特征描述算法

目的 在针对LIOP（local intensity order pattern）特征描述算法构造特征描述符过程中,计算描述子权值时未充分考虑采样点之间的局部信息及存在冗余的灰度序模式,从而导致特征描述符不准确的问题,提出一种结合采样点结构信息和剔除冗余模式的算法。方法 首先,研究了采样点局部信息,并利用采样点顺序结构构造了计算特征描述符权值方法;其次,分析了灰度序模式与对应特征描述子权值的关系;最后,在构造特征描述符时,将冗余的灰度序模式剔除。结果 对标准数据集（Oxford dataset）及另外4幅复杂光照变化的图像进行了仿真实验,得到132维的特征描述符。结果表明,与原始LIOP算法相比,该算法在不增加特征维度时precision-recall曲线有较大的提高,即提高了描述特征描述符描述能力,增强了特征对单调强度变化和旋转变化的鲁棒性。结论 提出的算法同时考虑了采样点的差异信息和结构信息,较为完整地保留了待描述点的局部信息,使得图像存在复杂光照强度情况下,能够得到较高精度和辨识度的特征描述符。     

基于局部邻域多流形度量的人脸识别

针对人脸识别中特征的提取,提出了一种基于局部邻域多流形度量的人脸识别方法。针对人脸识别的小样本问题,用特征脸对人脸图像预处理。对预处理后的人脸数据集中每个流形内的数据点采用欧氏距离来选择各数据点的近邻点,由此得到局部权重矩阵,并计算重构数据点与原始数据点之间的误差距离;同时,采用图像集建模流形,用affine hull表示流形对应的数据集信息,计算多流形间的距离度量矩阵。通过最大化流形间距离以及最小化数据点与重构数据点误差距离来寻找投影降维矩阵。在人脸数据集上的大量比较实验,验证了该方法的准确性和有效性。     

基于 NIOS II 的图像压缩感知

压缩感知(CS)是近年来提出的一种针对稀疏信号处理的新方法,其核心是将压缩与采样同步进行,由于信号的投影测量数据远小于传统方法的数据量,突破了香农采样定理瓶颈从而使得高分辨率信号采集成为可能. NIOS Ⅱ嵌入式处理器是 ALTERA 公司推出的第二代片上可编程软核处理器,它的灵活性与可裁减性使其适用于终端数据处理.正交匹配追踪(OMP)算法是压缩感知理论中用于重构的经典算法,针对该算法对图像重构计算时需要大量存储空间并耗时巨大的问题,文中提出了图像分块压缩的改进方案;针对 OMP 算法重构时图像列与列之间数据相关性被割裂的现象,提出了图像均衡行列值的改进算法.实际系统运行结果显示两种改进方案均取得了良好效果     

海量点云曲面增量拓扑重建EI北大核心CSCD

针对现有的曲面重建算法难以兼顾大规模采样数据的重建效率与重建曲面拓扑正确性的问题,提出一种基于局部Delaunay网格剖分的曲面增量重建算法.该算法采用波前扩展的策略,通过波前环的扩张、分裂、重叠面片的消除等步骤,将局部重建过程传播至每个样点的邻近区域,获得插值于采样点集的二维定向流形网格曲面,实现整个采样点集的增量拓扑重建;在曲面局部重建过程中,分别基于局部区域的Cocone算法与二维投影点集的Delaunay网格剖分方法重建曲面的尖锐区域与平坦区域,其中局部区域重建曲面网格的边界的正确性由区域之外的少量辅助样点保护.实验结果表明,文中算法具有较高的重建效率,适用于封闭和非封闭海量点云数据的重建;且在采样密度符合要求的情况下,重建的网格曲面与原表面拓扑同构.     

向量相似度可复原三维点云压缩算法

针对三维点云数据压缩中细节特征不易保留,模型平缓部位存在过度压缩以及压缩后的点云模型不易复原等问题,提出一种基于向量相似度的三维点云压缩算法和复原算法CVS。向量相似性度量采用提出的L3A进行度量。CVS把每个三维坐标点看作是连接其坐标和原点的三维向量,按照三维坐标点的读入顺序选取参考向量,生成覆盖整个点云区域的采样区域,进行分区压缩。在采样区域中使用最小二乘曲面拟合算法对包含其中的点云进行曲面拟合,设置曲率阈值剔除坐标点,并存储曲面方程参数用于复原。通过控制L3A向量相似度中的长度和角度的变化阈值,使得密集点云区域的压缩率高于非密集区域的压缩率,通过控制曲率阈值,使得低曲率区域的压缩率高于高曲率区域的压缩率,最大程度保留模型细节特征。CVS使用压缩阶段产生的复原信息生成点云来恢复模型的细节特征,使得模型特征更加明显。     

海量点云曲面增量拓扑重建

针对现有的曲面重建算法难以兼顾大规模采样数据的重建效率与重建曲面拓扑正确性的问题,提出一种基于局部Delaunay网格剖分的曲面增量重建算法.该算法采用波前扩展的策略,通过波前环的扩张、分裂、重叠面片的消除等步骤,将局部重建过程传播至每个样点的邻近区域,获得插值于采样点集的二维定向流形网格曲面,实现整个采样点集的增量拓扑重建;在曲面局部重建过程中,分别基于局部区域的Cocone算法与二维投影点集的Delaunay网格剖分方法重建曲面的尖锐区域与平坦区域,其中局部区域重建曲面网格的边界的正确性由区域之外的少量辅助样点保护.实验结果表明,文中算法具有较高的重建效率,适用于封闭和非封闭海量点云数据的重建;且在采样密度符合要求的情况下,重建的网格曲面与原表面拓扑同构.     

基于曲率分析的三次Bezier曲线采样方法的研究

针对三维建模过程中数据量大的缺点,提出一种简单的基于曲率分析的三次Bezier曲线采样方法。该方法采用每个分段的三次Bezier曲线的特征点和该段曲率半径的极小值作为采样密度的判断标准,曲线采样主要分为多层轮廓和单一轮廓两种情况,对于多层轮廓,采样密度涉及到的因素有曲线特征点,曲率半径极小值,轮廓之间的间距,曲线的长度。而对于单一轮廓,采样密度涉及到的因素有曲线特征点,曲率半径极小值,曲线的长度。通过以上因素,计算出采样点的数目。实验结果证明,提出的方法可行有效,可用于三维建模的数据点采样。     

基于法向分量边缘融合的深度图像分割

针对深度图像边缘较难分割的问题,提出一种基于法向矢量分量边缘信息融合的深度图像分割方法。计算深度图像中每点的法向矢量,提取法向矢量的x、y分量并构建灰度图,融合Sobel算子的边缘检测结果得到深度数据的初始分割,通过细化处理得到最终分割结果。实验结果表明,该方法得到的分割区域边界闭合完整,分割质量较高。     

图像显著性启发的傅里叶频域变密度压缩采样

考虑到在传统的傅里叶频域中星形采样方法的采样区域针对性不强、重建效果不佳等缺点,提出一种基于傅里叶频域中图像显著性信息的变密度压缩采样方法。在传统星形采样的基础上,通过变化密度,在傅里叶频域中显著性区域相对密集采样,同时在非显著性区域相对稀疏采样,以达到更好地恢复图像显著特征信息的目的。实验结果表明,基于相同的信号重构算法,在采样率相同的条件下,该方法重建图像的结构相似度(SSIM)、峰值信噪比(PSNR),以及相对误差(ReErr)均优于传统的星形采样方法。     

基于网格数据图的自适应细分及边缘提取

文章针对网格数据计算的可视化表达,给出了网格数据图有限元自适应细分方法;进而提出了网格计算与图形及数字图像处理的信息融合提取算法,实现了数据的自适应采样细分、图像分割与边缘提取。实验结果表明,该方法在不增加太多的计算及数据量情况下,可以很好地提高特征区域数据分辨率和网格数据计算的效率。