基于改进的种子点扩展自适应立体匹配算法

由于在图像中不同区域的纹理密集程度不同,因此使用固定窗口大小的算法无法兼顾纹理不同的区域,并且在视差不连续区域的匹配精度较低。针对该问题,提出一种自适应窗口和自适应权重相结合的算法,并且采用种子点扩展的方法。首先,通过交叉自适应窗口法,区分出连续点和孤立点,对于不同的分类点采用不同的处理方法。其次,针对每一个像素点,利用改进的自适应权重方法进行匹配。最后,提出一种新的种子点扩展的视差优化方法,对初始视差图进行精细化。实验结果表明,视差图中纹理密集区域和视差不连续区域的误匹配现象得到改善。该算法可以有效地处理图像中纹理分布不均的问题,提高了在视差不连续区域内匹配精度。     

面向双目立体视觉的迭代式局部颜色校正

在双目立体视觉中,由于相机参数设置差异、环境光照变化、拍摄物体表面非理想漫反射等因素,拍摄获得的立体图像对可能存在颜色差异,进而降低视差计算的准确性.针对这一问题,提出一种面向双目立体视觉的迭代式局部颜色校正方法.首先使用Meanshift算法以不同粒度对2幅图像进行分割,并基于SIFT特征匹配、区域分布及颜色差异初步建立2幅图像中物体间的对应关系;然后使用加权局部颜色校正方法,逐区域进行颜色校正,由于双目图像中物体遮挡范围不同,初步的区域对应存在误差,因此利用校正的双目图像计算视差图,基于视差图像对之间稠密的像素对应,优化立体图像对的区域分割,建立更准确的对应关系,并再次进行颜色校正;迭代地进行立体匹配、优化图像区域对应和颜色校正,直至获得最佳的立体匹配结果.与已有颜色校正方法对基准测试图像集的处理结果表明,文中方法可以有效地提升立体图像对的颜色相似度,提高立体匹配视差结果的准确性.     

双目立体视觉的三维人脸重建方法

创建逼真的三维人脸模型始终是一个极具挑战性的课题.随着三维人脸模型在虚拟现实、视频监控、三维动画、人脸识别等领域的广泛应用,三维人脸重建成为计算机图像学和计算机视觉领域的一个研究热点.针对这一问题,提出一种基于双目立体视觉的三维人脸重建方法,重建过程中无需三维激光扫描仪和通用人脸模型.首先利用标定的2台摄像机获取人脸正面图像对,通过图像校正使图像对的极线对齐并且补偿摄像机镜头的畸变;在立体匹配方面,选择具有准确可靠视差的人脸边缘特征点作为种子像素,以种子像素的视差作为区域生长的视差,在外极线约束、单调性约束以及对应匹配的边缘特征点的约束下,进行水平扫描线上的区域生长,从而得到整个人脸区域的视差图,提高了对应点匹配的速度和准确度;最后,根据摄像机标定结果和立体匹配生成的视差图计算人脸空间散乱点的三维坐标,对人脸的三维点云进行三角剖分、网格细分和光顺处理.实验结果表明,该方法能够生成光滑、逼真的三维人脸模型,证明了该算法的有效性.     

基于区域间协同优化的立体匹配算法

提出了一种基于分割区域间协同优化的立体匹配算法. 该算法以图像区域为匹配基元, 利用区域的彩色特征以及相邻区域间应满足的平滑和遮挡关系定义了区域的匹配能量函数, 并引入区域之间的合作竞争机制, 通过协同优化使所定义的匹配能量极小化, 从而得到比较理想的视差结果. 算法首先对参考图像进行分割, 利用相关法得到各分割区域的初始匹配; 然后用平面模型对各区域的视差进行拟合, 得到各区域的视差平面参数; 最后, 基于协同优化的思想, 采用局部优化的方法对各区域的视差平面参数进行迭代优化, 直至得到比较合理的视差图为止. 采用Middlebury test set进行的实验结果表明, 该方法在性能上可以和目前最好的立体匹配算法相媲美, 得到的视差结果接近于真实视差.     

冗余离散小波变换立体视差估计及DSP实现

立体图像技术将是未来多媒体发展的重点方向,其中视差估计是立体图像处理的关键,针对目前视差估计方法的不足,提出了一种基于冗余离散小波变换的视差估计算法。首先对参考图像进行冗余小波变换,提取特征点,然后根据特征点在目标图像进行视差估计。实验表明该算法能有效获得视差矢量,视差匹配后能得到良好的重建图像。同时在TI公司的多媒体器件DM642上进行了实验。结果表明,提出的设计方案具有实时可行性,并较有效地减少了运算复杂性。     

用于行人头部特征提取的目标区域匹配方法

为了准确地定位与跟踪序列图像中的运动行人以获取精确的客流量信息,提出了一种基于目标区域匹配的行人头部特征提取新方法。与常用的基于致密视差图的头部区域视差获取方法不同,该方法基于“先分割后匹配”的思想,即首先借助单目图像处理方法对基准图进行分割,获取候选头部区域;然后直接将这些候选头部区域作为目标区域,在匹配图中搜索其匹配对应区域以获取候选头部区域的视差;再借助候选头部区域的视差提取出候选头部区域的深度与透视特征,用于去除虚假头部区域以获取最终的头部检测结果。性能测试与实验结果表明,该方法不仅视差提取精度高、实时性好,并且借助该方法获取的头部特征具有较高的区分度,可以有效去除候选头部区域中的虚假头部区域,使客流量检测的准确率达到90%以上。     

基于LBP/C纹理分析的立体匹配算法

针对传统方法难以可靠估计图像中纹理单一区域像素点视差的问题,将纹理分析应用于立体匹配中,提出图像分块整体匹配的方法。首先用LBP/C纹理分析方法对图像纹理进行描述;然后进行基于区域生长的扩张检测,得到纹理单一图像块;最后对图像块进行整体匹配,得到纹理单一区域的稠密视差图。对国际标准图像进行测试,结果表明该算法能提高纹理单一区域稠密视差图的精度,具有实用价值。     

基于投影散斑的实时场景深度恢复

为了解决传统匹配算法重建散斑图像时在视差不连续区域误匹配较多的问题,提出一种在网格顶点处选择种子点、渐进增长的区域生长匹配方法,以完成散斑图像的深度信息恢复.针对传统区域生长方法种子点选取速度低、覆盖性差的问题,提出在网格顶点处选择种子点的快速定位方法;在生长策略方面,采用逐步放宽种子点选择标准和生长标准的方式,渐进地增长区域;为克服散斑图像亮度不均衡的问题,采用零均值归一化互相关算子作为相关测度算子,并针对该算子冗余计算较多的问题,运用积分图结合其改进计算公式加速计算,确保算法的实时性;最后插值细化视差图,并根据三角测量原理转化视差值为深度值.实验结果表明,该方法深度恢复结果鲁棒性强、速度较快.     

基于区域分割和邻域相关性的立体匹配算法

提出一种在图像分割基础上生成稠密视差图的立体匹配算法,利用滑动窗口生成鲁棒性较好的视差空间图DSI,运用分水岭算法将图像分割成多个小区域,根据每个区域在视差空间图内的视差分布情况计算该区域的信赖度,并综合各区域的邻域对其产生的影响,以获得稠密视差图,采用国际标准数据对该算法进行测试,实验结果表明,该算法能够获得较好的匹配结果。     

一种沿区域边界的动态规划立体匹配算法

提出一种基于图像区域分割的立体匹配算法.与通常的沿扫描行进行动态规划的立体匹配算法不同,该算法以图像"区域"为基元计算视差.首先使用相关法得到初始视差,然后利用一种区域边界上的多种子动态规划算法对视差进行精细计算,最终通过插值得到整个图像的稠密视差.实验结果表明,此算法速度较快、可靠性较高.     

电容层析成像图像重建的新算法

对采用RBF神经网络的8电极电容层析成像系统的图像重建的方法进行了探讨。该神经网络采用遗传算法结合传统的最近邻聚类方法进行学习。仿真实验结果表明，该方法的成像精度及成像实时性较好。     

RBF神经网络在ECT图像重建中的应用

对采用RBF神经网络的8电极ECT系统的图像重建的方法进行了探讨。该神经网络采用遗传算法结合传统的最近邻聚类方法进行学习。仿真实验结果表明,该方法的成像精度及成像实时性较好。     

基于RBF神经网络在图像分割参数估计的应用

论文提出了基于RBF神经网络图像分割参数估计的方法。该方法利用RBF神经网络良好的函数逼近性能,通过RBF神经网络对预处理后的图像有关参数进行估计,得到计算最优分割阈值所需的图像参数。该方法经过实验证明完全能达到图像分割要求。     

多区域差异化的图像风格迁移算法

图像风格迁移技术可以自动地赋予图像不同的风格。现有的研究大多针对图像的整体或者图像中的单一区域进行风格迁移,在实际应用中难免存在局限性。在风格迁移过程中引入内容图像的语义信息,提出一种针对图像不同区域进行的差异风格化的方法。将内容图像经过语义分割后引入VGG损失网络,从而限定图像的风格化区域。分别在每个区域上计算各自的格拉姆矩阵,并在反向传播阶段将梯度传播限定在各语义区域上,得出针对图像不同区域的风格特征值。将正则化损失引入损失函数中,以减弱不同区域间的相互影响。在Microsoft COCO2017数据集上设计了实验,结果表明,该方法实现图像多个区域不同风格化的同时,保证了区域之间过渡自然。     

基于径向基函数的图像修复技术

图像修复是指恢复图像中破损区域的颜色信息或者去除图像中的多余物体。本文提出了一种新的基于径向基函数的图像修复算法，由用户交互地指定需要修复的区域，算法自动地计算破损区域的轮廓并沿轮廓法向扩张，确定合适的径向基函数重构区域，将该区域内图像的颜色值看作规则采样点上的高度场，把二维图像修复问题转化为三维散乱点重建问题，利用径向基函数曲面重建的优势来修补破损的图像。实验表明，该算法能正确、稳定地处理各种破损区域。     

基于SOFM与RBF神经网络的自由曲面重建

根据SOFM神经网络重构曲面样本点的内在拓扑关系,实现对散乱数据的工程近似化,利用RBF神经网络具有的强大非线性逼近能力,提出一种基于SOFM网络和RBF网络相结合的自由曲面重建方法.该方法可有效地解决RBF神经网络对大规模密集散乱点的曲面拟合时出现计算量大、数据网格化难、网络收敛速度慢等问题.     

基于RBF神经网络的复杂背景下的运动目标检测

由于运动摄像机的存在使得复杂背蒂下的运动目标检测问题更加复杂，根据场景中目标与背景具有不同的运动、任意场景可以分成不同的运动区域这一基拳事实，提出一种新的基于RBF神经网络的运动目标检测算法。运动补偿后求参考帧与补偿后的当前帧之间的光流，联合当前像素坐标及其灰度值得到五雏特征向量作为RBF网络的输入，RBF网络学习算法通过最小化由Bayesian理论和能量最小化理论导出的损失函数实现。学习矢量量化方法修正网络的中心，收敛后网络的输出就是运动目标区域。试验结果证明了算法的有效性。     

目标自适应图像分块与小目标提取

针对传统二维直方图方法的难点,提出了采用基于分水岭变换的图像自适应分块的解决方法,新方法能使得每个小目标都被分割在同一个图像区域内,克服了传统图像分块方法采用固定分块,易造成将同一目标分到多个区域的缺点。方法中首先采用了基于标记点的灰度图像重建方法对图像进行预处理,在自适应增强目标的同时也克服了分水岭变换易造成过度分割的影响,在此基础上进一步地对图像采取了基于分水岭变换的图像分块,接着在每一个分块区域中采用引入目标分布信息阈值选取方法,得到二值化的结果。实验表明该方法目标分割结果稳定,适合于小目标的分割提取。     

基于模糊调整的径向基函数网络图像恢复算法

为了解决传统图像恢复中存在的建模难的问题,提出了一种基于RBF神经网络的图像恢复算法,该算法利用RBF神经网络的非线性映射能力和适应性,通过记录退化过程的逆过程来恢复图像。首先改进RBF网络中心参数的确定过程,提出基于模糊调整的中心参数学习算法,然后用模糊调整后的网络进行图像恢复。仿真结果表明,改进的RBF网络可对典型退化图像进行令人满意的恢复。     

基于RBF神经网络和改进遗传算法的货车车锁检测

为实现货车自动检测记录系统，需要根据货车图象检测进站货车的车锁是否存在，为此，提出了一种基于RBF神经网络和改进遗传算法的货车车锁检测方法，该方法首先提取图象的投影特征，边缘图象的线性短特征以及灰度直方图特征，然后用RBF神经网络进行检测和定位，同时引入遗传算法，利用改进后的遗传算法的高并行性和鲁棒性，可以较快地完成全局搜索，而不会陷入局部最优，实验表明，该方法能有效克服车锁种类多，变形大，以及光照变化的影响，具有较高的速度和检测成功率，能满足于实际应用。