基于边缘视觉特征描述的自适应多尺度小波边缘检测方法

本文从人类视觉的特点出发，提出了一种新的图象边缘特征描述，根据该特征描述，定义了邻域的有效边缘测度，以作为边缘复杂程度的度量，并以此来调整多尺度小波边缘检测中的尺度参数，最后给出了相应的实验比较结果。     

基于边缘视觉特征描述的自适应多尺度小波边缘检测方法

本文从人类视觉的特点出发,提出了一种新的图象边缘特征描述。根据该特征描述,定义了邻域的有效边缘测度,以作为边缘复杂程度的度量,并以此来调整多尺度小波边缘检测中的尺度参数。最后给出了相应的实验比较结果。     

基于SCCH特征描述子的图像匹配算法

针对局部特征匹配算法面临的鲁棒性和实时性难以兼顾的问题,该文提出了一种基于带符号对比上下文直方图(SCCH)特征描述子的图像匹配算法。用Harris算子在高斯金字塔图像上提取多尺度特征点以减少所需处理的数据量,利用特征点邻域的区域灰度差异均值构建特征描述子,降低特征描述子的生成复杂度和维度,保留灰度差异均值的正负性信息以增强特征描述子的鲁棒性和可区别性,用特征描述子间的绝对值距离作为相似性度量以减少特征点匹配的计算量。实验结果表明,该文算法不仅对图像尺度缩放、旋转、模糊、亮度变化、较小视角变化保持不变性,而且匹配速度较快。     

基于局部自适应色差阈值的彩色图像边缘检测

为了使彩色图像的边缘检测器更符合人眼对图像信息的分辨情况,防止视觉不敏感区域的边缘的过检测问题,该文提出一种自适应色差阈值的估计方法并与不同的色彩梯度算子结合应用于彩色图像的边缘检测中。构建包括亮度掩模与对比灵敏度的局部色差可视阈值的权重因子,结合局部背景亮度以及亮度与色彩的空间频率对人眼视觉的影响。利用信噪比(SNR), Pratt因子与时间复杂度对提出的算法的抗噪性与边缘定位的准确性以及时间代价进行定量评价,表明该算法能准确检测出图像边缘且有效地抵抗噪声对图像的干扰。     

基于多尺度边缘响应函数的自适应阈值边缘检测算法

该文提出了一种基于多尺度边缘响应函数的自适应阈值边缘检测算法。首先分析二进小波变换,根据边缘和噪声随尺度变化的不同特性,设计了多尺度边缘响应函数(MERF)。通过MERF中的乘积放大作用,增大了边缘响应的幅度,同时也抑制了噪声产生的伪边缘。然后利用小波变换多尺度之间的联合分布关系,计算自适应阈值,检测MERF的梯度模值形成多尺度边缘。该算法直接在小波特征上进行多尺度合成,避免了多个边缘图合成过程的病态问题。实验表明,与LOG,Canny以及Mallat多尺度小波检测方法相比,该算法在检测和定位之间能够达到更好的平衡,既能够实现小尺度下的精确定位,也可以保留大尺度下对噪声的抑制作用。     

基于二次曲面拟合的子像素边缘检测算法

针对传统边缘检测算法边缘信息保留不完整与边缘点定位不精确的问题,提出了一种基于二次曲面拟合的子像素边缘检测算法。利用拟合法求得子像素图,其抗干扰性强,检测位置较准确,并在此基础上利用改进的Canny算子精确地判断图像边缘位置。实验结果表明,该算法不仅提高了图像的边缘信息保留能力,且图像边缘光滑,边缘点定位精确,细节信息完全。     

基于梯度幅值的自适应边缘检测算法

提出了一种新的边缘检测算法.根据所提出的梯度幅值计算方法求出整幅图像的梯度幅值均值和图像中所有像素点的梯度幅值相对与均值的方差.由图像的梯度幅值均值和方差计算出图像的最佳阈值.然后根据提出的噪声剔除方法对由最佳阈值判定的初始边缘中的噪声进行剔除.实验结果表明所提出的算法在精确定位边缘的同时也较好地抑制了噪声.     

自适应SAR图像边缘检测算法

边缘检测是图像分析的基础,在对SAR图像进行边缘检测时,由于SAR图像存在很强的相干乘性斑点噪声,几乎没有一种方法既能有效地检测边缘又能排除斑点噪声的影响而不产生较多的虚假边缘,特别是在低视数SAR的情况下,该文指出了在低视数情况下应当如何对Touzi ratio边缘检测方法和最大似然(ML)边缘方法的检测窗口进行改进,在对SAR图像进行边缘检测时,引入了自适应窗口的方法,并将其应用到Touzi ratio边缘检测和最大似然 (ML)两个恒虚警边缘检测算法中,取得了很好的改进效果,引入自适应窗口的方法也适用于其它的SAR图像边缘检测算法。     

基于模板边缘的自适应Harris角点检测算法

针对传统Harris算法检测的角点出现聚簇、伪角点以及阈值人为设定的问题,提出一种基于模板边缘的自适应Harris算法。首先,利用局部区域的思想检测出图像中的潜在角点区域;然后,对潜在角点区域利用改进的自适应阈值Harris算法进行角点提取;最后,提出模板边缘的思想,构造一个新的圆形模板,通过评估中心点与模板边缘像素点邻域的灰度变化情况,对提取的角点进行提纯,过滤掉伪角点,得到最终检测结果。实验结果表明,该方法在计算效率上比Harris算法提高了32.8%,在实际应用中具有较高的精确度和鲁棒性。     

基于提升小波的自适应阈值边缘检测新算法

针对传统的单一边缘检测算法抗噪能力差、边缘不连续等缺点,本文提出采用两种算法相结合的方式来进行边缘检测。首先,对原始图像进行多层小波分解;对分解后的图像低频部分用提出的改进提升算法进行边缘检测,对高频部分用小波变换的局部模极大值算法检测边缘;通过将各层边缘信息按一定的融合规则融合起来得到一个组合边缘,最后细化图像边缘。实验证明,这种方法相对于传统小波分析有着计算量小,计算速度快和要求存储空间小等诸多优势,同时,也能做到不丢失图像信息,保证了边缘的连续性和封闭性,检测效果较好。     

基于局部模糊分形维度的图像边缘检测算法

介绍了一种局部模糊分形维度,并将该技术应用到图像边缘检测中.将像素覆盖方法推广到N维模糊离散集分形维度的计算就得到了局部模糊分形维度.给出了局部图像的LFFD计算流程和基于LFFD的图像边缘检测方法.采用实例验证了本文的算法,实例结果显示,本文的算法是正确的、可行的和有效的.     

改进的基于梯度幅值的自适应边缘检测算法

分析文献[1]给出的算法.针对其中存在的问题和不足,给出了一个改进算法.实验结果表明,改进算法弥补了原文算法中的缺陷,在获取连续边缘的同时也较好地抑制了噪声,在运算效率方面有了明显的提升,并节省了大量的内存空间.     

一种基于改进SURF特征描述子的快速算法

在SURF算法中为保证旋转不变性需要计算出关键点主方向,并将关键点周围的梯度信息旋转到主方向后构造描述子,造成了时间上的大量开销。文中重新构造了一组各向同性特征描述子,在保证描述子旋转不变性的同时,避免了计算主方向及依据主方向旋转梯度的相关操作,进而节省了计算时间。实验结果表明,新算法在一定误差范围内计算速度比改进前的算法提高了近30%。     

基于SIFT和MSE的局部聚集特征描述新算法

为寻找更具鲁棒性和计算简便的特征描述子,提出了一种基于SIFT和MSE的局部聚集特征描述算法.分析说明了该方法在继承SIFT算法良好性质的基础上,通过对多尺度下信息熵的估计,能够快速准确找出图像局部结构特征并利用改进的非线性降维方法对特征描述子进行特征重划.实验结果表明,在图像尺度缩放、旋转、模糊、亮度变化等多种变换条件下,该描述子不仅能够取得更多的特征效果,并且计算速度较原算法大幅提升.该算法适用于实时性要求较高,存在旋转、尺度缩放、亮度差异等变换下的结构图像寻找描述子.     

基于NSCT变换与亮度序的局部特征描述算法

本文为了得到性能优良的局部特征描述子,结合图像频域变换与亮度序区域划分的思想,提出了一种基于非降采样Contourlet(NSCT)变换与亮度序的局部特征描述子。首先,对输入图像构建图像金字塔,并在金字塔的图层上查找关键点;然后,以关键点为中心的圆形区域划分多个NSCT支持区域,对每个支持区域进行亮度序子区域的划分;最后,描述每个子区域的特征,并串联所有子区域的特征描述,作为最终的局部特征描述子。实验表明,提出的描述子在图像模糊、视角变换、仿射变换、JPEG压缩、亮度变换等表现出良好的性能。     

基于边缘的自适应相关跟踪算法

针对相关跟踪实时性差和误差累积问题,提出了基于边缘检测的自适应相关算法.采用修正后的灰度差的绝对平均值(MAD)相关匹配克服了对噪声敏感的缺点;利用目标的边缘信息确定模板中参与匹配的区域,并采用粗精结合的搜索策略,加快了匹配速度;采用模板加权更新和中心修正有效地消除了相关运算累积误差的影响.     

基于多尺度局部极值和边缘检测的目标性算法

目标性作为目标检测的预处理算法,用于高效提取少量可靠的目标潜在区域,可替代针对复杂特征的多尺度滑动窗的分析方式,达到提升目标检测效率的目的。该文提出了一种基于多尺度局部极值和边缘检测的目标性算法。首先,基于原始图像的多尺度梯度特征,在不同尺度下利用均值滤波得到梯度强度的局部极值,并在原始图像上还原出初始目标潜在区域;然后,通过提取图像的边缘特征,计算初始目标潜在区域的目标性得分值;最后,对得分值进行尺度加权,并结合非极大值剔除冗余区域,最终输出少量可靠的目标潜在区域。通过PASCAL VOC和ILSVRC2014数据库的实验对比,该算法给定1000个候选区时在PASCAL VOC和ILSVRC2014分别达到97%和98%以上的召回率,同时有效地提升了首框召回率。      

一种基于局部特征的拓片图像边缘检测算法

针对传统边缘检测算法在处理拓片图像时,容易将模糊的细节部分丢失或者误检的问题,提出了一种基于局部特征的拓片图像边缘检测算法.该算法预处理部分采用了unsharp算子对细节部分进行保护和增强,利用局部标准差均值比(Local Standard Deviation Mean Ratio,LSDMR)对图像进行边缘描述,对LMSDR进行处理以得到图像边缘,实验结果表明,该算法对拓片图像模糊细节的边缘检测明显优于传统算法.     

基于特征描述子的匹配方法

利用一种效率和匹配率均较高且存储空间小的基于特征描述子的指纹识别算法,实现了指纹匹配且可应用到嵌入式系统。由于自动指纹识别系统一般在嵌入式系统上实现,对算法的复杂度、运算速度、存储空间需要等均有较高要求,因此选用普遍使用的基于细节特征的匹配算法。该算法运算速度快,一幅300×300像素的指纹图像,仅需几十个特征向量。实验证明,算法克服了点匹配计算量大、速度慢和参考点确定难等缺点,且对图像的旋转和平移具有较好的鲁棒性。可以使基于特征描述子的随机局部区域描述子特征的匹配性能进一步提高。