梯度算子对反向合成梯度算法的影响

反向合成梯度算法是一种基于局部指向性的反向合成图像对齐算法。与传统的反向合成图像对齐算法相比,该算法可有效地克服光照变化对匹配结果的影响[1]。由于局部指向性的计算在本质上是梯度的计算,而图像梯度的计算可以采用不同的梯度算子,因此采用4种不同的梯度算子（一阶差分算子,Roberts算子,Sobel算子和Prewitt算子）来计算局部指向性,并通过实验比较分析了4种梯度算子对反向合成梯度算法的影响。     

基于局部指向性的反向合成图像对齐算法

传统的反向合成图像对齐算法比较的是模板图像与输入图像之间的像素值。该方法容易受到图像中光照变化的影响，从而导致收敛性变差甚至发散。根据局部指向性对光照变化不敏感的特性，提出了一种新的反向合成图像对齐算法——反向合成梯度算法。由于局部指向性的计算在本质上是图像梯度的计算，因此采用几种不同的梯度算子来计算局部指向性。通过实验，验证了反向合成梯度算法能够有效克服图像中光照变化的影响，同时比较了不同算子在不同光照下对反向合成梯度算法的影响。     

AAM反向合成匹配算法及其性能分析

介绍了一种基于反向合成图像对齐算法的AAM匹配算法。首先对反向合成算法的内容及其在AAM匹配过程中需要注意的问题进行了阐述,然后通过实验,分别应用反向合成算法和原始AAM匹配算法对一定数量的图像进行匹配,验证了反向合成算法的有效性。     

基于边缘信息的图像阈值化分割方法

针对现有几种利用边缘信息来进行图像闽值分割的方法存在的对噪声高度敏感，梯度阈值难以选取，且不具有自适应性的特点，提出一种抗噪声影响的形态学梯度算子和一种基于梯度直方图统计特征的梯度闽值自适应选取算法，得出了一套完整的基于边缘信息的图像闽值化分割算法。     

基于光强加权梯度算子的图像过渡区算法

本文分析了基于梯度算子的过渡区算法存在的缺陷,提出了一种基于光强加权梯度的过渡区检测方法,该方法利用过渡区的梯度信息,又利用过渡区的灰度信息,因而对噪声的适应能力在较大的提高。实验结果表明,基于光强加权梯度算子的图像过渡区算法是有效的。     

基于梯度比率的SAR图像局部特征提取方法研究

本文研究了基于像素灰度差值计算的LBP算子和基于梯度比率的LGRP算子等局部二值模式。首先介绍了基本LBP算子和其他几种LBP算子的变形模式,并通过光学图像和实测SAR图像对LBP算子进行性能评估。针对LBP对SAR 图像乘性噪声敏感的问题,利用梯度比率计算的LGRP算子,并结合旋转不变LBP的抗旋转性,本文提出了一种改进的SAR 图像LGRP特征,获得了对SAR 图像的抗噪性和抗旋转性能。实验结果表明,由本文方法提取的SAR图像局部特征具有较好的不变性,可用于姿态角变化下的目标识别与图像纹理切片匹配。     

基于稀疏梯度场的非局部图像去噪算法

非局部平均(Non-local means, NLM)算法充分利用图像的自相似性与结构信息的冗余性, 取得了很好的去噪效果.然而, 在强噪声的干扰下, NLM算法中的权函数不能准确度量图像块之间的相似性. 因此, 很多文献利用图像的梯度信息对权函数做了改进.但是, 传统的梯度算子对噪声十分敏感, 不能有效地提高相似性度量的准确性. 本文将图像的稀疏梯度场(Sparse gradients field, SGF)引入权函数的定义中, 提出一种基于稀疏梯度场的非局部图像去噪算法. 首先, 区别于传统基于局部的梯度算子, 提出了基于全局的稀疏梯度场模型, 进一步给出一个自适应的稀疏梯度场模型(Adaptive sparse gradients field, ASGF), 并利用向前--向后分裂算法求解.然后, 利用图像的稀疏梯度场对NLM算法的权函数进行改进, 得到本文提出的算法.实验结果表明, 无论是客观评价还是视觉效果, 本文所提算法的性能优于NLM 算法和其他利用梯度信息改进的NLM算法.     

一种新的基于自适应提升小波的图像检索算法

基于小波域的图像检索算法主要存在两个问题:首先是噪声导致图像的不适当分解,降低特征的提取质量,影响检索结果;其次是从分解后的子带图像中提取的梯度信息,作为描述特征之一,对于图像的几何变换,特别是旋转和镜像非常敏感,针对上述问题,本文提出一种新的选择子一梯度幅值描述子对图像进行自适应分解,降低了噪声对检索结果的影响,并设计了一个名为合成排序梯度直方图的特征向量以便更好地衡量图像相似性,实验证明,本文算法具有良好的缩放、旋转和镜像不变性,检索结果能较好地符合人的视觉感受.     

基于形态学梯度的图像边缘检测算法

边缘检测是数字图像处理的一个重要内容,讨论了经典的边缘检测算子算法,该算法更多地采用Prewitt算子、LOG算子、Canny算子等在空域中进行。数学形态学在图像处理中有广泛的应用,其基本原理是基于利用结构元素去探测图像;在讨论常见数学形态学梯度的基础上,提出了一种基于形态学梯度的图像边缘检测算法,应用定义的形态学梯度结构检测出较理想的图像边缘信息。仿真结果表明,该算法在含噪图像中能得到较为理想的图像边缘信息,其抗噪声性能明显地优于经典的算子检测算法,在检测精度方面较经典的单一算子检测方法亦有一定的改善。     

基于形态学梯度的图像边缘检测算法

边缘检测是数字图像处理的一个重要内容，讨论了经典的边缘检测算子算法，该算法更多地采用Prewitt算子、LOG算子、Canny算子等在空域中进行。数学形态学在图像处理中有广泛的应用，其基本原理是基于利用结构元素去探测图像；在讨论常见数学形态学梯度的基础上，提出了一种基于形态学梯度的图像边缘检测算法，应用定义的形态学梯度结构检测出较理想的图像边缘信息。仿真结果表明，该算法在含噪图像中能得到较为理想的图像边缘信息，其抗噪声性能明显地优于经典的算子检测算法，在检测精度方面较经典的单一算子检测方法亦有一定的改善。     

采用多尺度掩模消除干扰的反向组合算法

反向组合算法是最有效的图像对齐算法之一,但该算法抗干扰能力差.当输入图像部分被遮挡时,图像对齐效果变差.针对该问题,我们提出一种采用多尺度掩模消除干扰的反向组合算法.该算法采用自适应的方法设置初始掩模,再通过迭代判断和逐层分块来细化初始掩模,使得掩模能准确地设置在干扰区域上.实验结果表明,该算法既保留了原反向组合算法的优点,又提高了算法抗干扰的能力,使得反向组合算法能在更复杂的环境下进行图像对齐.     

一种计算图象形态梯度的多尺度算法

分水岭变换是一种非常适用于图象分割的形态算子,然而,基于分水岭变换的图象分割方法,其性能在很大程度上依赖于用来计算待分割图象梯度的算法。为了高效地进行分水岭变换,提出了一种计算图象形态梯度的多尺度算法,从而对阶跃边缘和“模糊”边缘进行了有效的处理,此外,还提出了一种去除因噪声或量化误差造成的局部“谷底”的算法,实验结果表明,图象采用本文算法处理后,再进行分水岭变换,即使不进行区域合并,也能产生有意义的分割,因而极大地减轻了计算负担。     

一种基于加权平均梯度的指纹方向图算法

方向图在指纹识别系统中具有重要的研究价值。梯度法是常见的指纹方向图求取算法,针对传统的梯度法抗噪能力差的缺点,提出了一种基于加权平均梯度的指纹方向图算法。利用指纹图像具有局部平行性和渐变性以及邻域的脊线方向相关性高的特点,通过将邻域的方向信息进行加权平均来求取块的方向。实验证明,该算法比传统的梯度法有更好的抗噪性能。     

改进的逆向组合算法在图像配准中的应用

逆向组合算法在进行图像配准时精度很高,但对模板图像在待配准图像中的初始位置敏感。针对该问题,提出一种改进的逆向组合算法,通过计算巴氏系数进行模板匹配,实现输入图像的粗定位后,应用逆向组合算法进行精确定位。实验结果证明,改进的算法对图像发生形变的情况具有较好的鲁棒性,相比原算法,配准能力更强。     

一种新的基于梯度方向直方图的图像配准方法*

构建了一种新的局部梯度方向直方图,同时定义了特征点的主方向,从而提出了一种具有旋转不变性的图像配准算法.首先采用高斯加权求模技术对特征点邻域内的像素的梯度作直方图统计,确定出具有旋转不变性和抗噪性的特征点主方向;然后用主方向作角度直方图统计,确定待配准图像之间的旋转角度.根据得到的特征点信息及旋转角度定义了特征点对互信息匹配准则,这样使得新配准算法对于图像间旋转角度的范围没有限制,获得了良好的配准效果.     

基于可变步长逆向组合算法的弥散张量图像配准

弥散张量成像（Diffusion Tensor Magnetic Resonance Imaging,DT-MRI）是近年来新兴的一种核磁共振成像技术,作为一种无创伤的描述大脑结构的新方法,弥散张量成像在临床诊断中发挥着重要的作用。由于不同个体或者同一个体不同状态下获取的张量数据展开的多幅图像之间存在一定偏差,需要将这些图像对齐,即配准。逆向组合算法是一种很好的配准方法,但是当模板图像和目标图像之间存在多种几何变化时,算法的收敛速度往往很慢。提出了一种可变步长的逆向组合算法,通过自适应改变原始算法的步长达到加快算法收敛速度的目的。实验表明,该算法在保持原始算法精度的基础上能够加快收敛速度,并且对图像的几何变换有很好的鲁棒性。     

基于加权Gabor梯度的新型多尺度角点检测方法

在分析Gabor小波的基础上,提出了一种加权Gabor梯度算法,该算法可以得到比传统梯度算子更为准确的梯度方向。并在此基础上,提出了基于加权Gabor梯度的多尺度角点检测算法。实验结果表明,本文算法与两个经典算法比较,在角点检测性、定位准确性以及抗噪性上,有明显提高。     

基于多尺度主成分分析的图像局部方向估计算法

现有的大多数图像方向估计算法都对噪声非常敏感。因此,提出了一种基于主成分分析（PCA）和多尺度梯度金字塔分解的图像局部方向估计算法,其中主成分分析用于找到局部方向的最大似然（ML）估计。所提出的算法对于噪声图像非常鲁棒。在实验中,通过对模拟图像的和真实图像的方向估计,该算法都可以得到较好的估计效果,对噪声的鲁棒性较强,并且计算速度非常快。