一个抽取边界曲线特征点的新算法

景物的特征点抽取是模式识别及计算机视觉中的一个重要问题,已出现的多种检测特征点的方法中主要有角检测法和多边形逼近法。在这两种方法基础之上,人们又提出了结合两种方法的综合方法。提出了一种新的综合方法,首先应用一个简单的角检测方法,然后利用前面计算曲率时的一些值在检测到的角点之间加入一些特征点。实验结果表明新方法比传统方法执行速度更快,并且克服了传统方法的缺陷。     

一种无阈值的冗余角点去除方法

基于曲率尺度空间的角点检测算法因其定位准确而被广泛应用,但由于该算法受阈值的影响,在应用中往往检测出较多冗余角点。针对如何去除冗余角点这一问题提出一种无阈值的冗余角点去除方法:首先将角点按构成方式的不同进行分类,然后通过角度无阈值比较的方法去除冗余角点。实验证明该方法在冗余角点的检测及去除方面有良好的实验效果,可将其应用于基于曲率尺度空间的角点检测算法中,提高角点检测的精确性。     

数字影像中目标角点定位的无阈值算法

在分析现有角点定位算子的基础上,针对现有大部分角点定位算子在角点定位过程中需要选择适当的阈值,而阈值的选择本身比较困难的这一关键问题,提出了一种基于移动小窗口内最大值的无阈值的角点定位算法的基本思想。并通过实验来证明算法的有效性,实验结果表明,这种算法在理想的情况下具有非常好的角点定位效果,而对于复杂的非均质图像来说也有较好的定位效果。     

基于阈值分割的影像建筑物角点提取算法优化研究

对Moravec和SUSAN这两种经典的特征提取算法进行了深入研究,以Matlab软件为实验平台,验证了它们的可行性。通过对实验结果的比较,分析了Moravec算子中运用"抑制局部非最大"思想的优势、局限性和适用性;在SUSAN算子中通过考虑提取过程中的误差影响因素,为算法中几何阈值和灰度阈值的确定和模板选择提供了依据,对其影响范围进行了定量分析。指出在两种算法实现过程中,Moravec算子由于对如何确定判断窗口的大小不能给出可靠的依据,加之缺少对影像的先验知识,无法了解研究区域角点分布状况。因此,仅仅用这种方法很难获得完全准确的角点特征;对于SUSAN算子,根据分析结果对几何阈值加设一个下限d,在很大程度上排除了孤立噪声点的干扰;并运用"重心距离法",即通过判定SUSAN重心与核心点连线上的像素点的边缘初始值的相近条件,消除了虚假的角点,从而实现了对算法的优化。     

双边几何阈值SUSAN角点提取算法

传统的单边几何阈值SUSAN算法,易将孤立噪声点以及细线段上的点误检测为角点,或者把一些像素点较少的尖锐区域的角点检测出来,在很多的应用场合这些点并非兴趣点.为了有效地消除孤立噪声点的误检测以及剔除不感兴趣点,提出一种双边几何阈值SUSAN算法.     

自适应阈值的遥感影像角点提取算法

针对传统SUSAN角点提取算法中阈值选取的不确定性,提出了一种自适应分割阈值的SUSAN改进算法。首先采用SUSAN模板对图像进行模板计算得到梯度图,然后根据梯度图的灰度分布特征,采用图像分割方法的判断分析法和KSW熵方法对梯度图做分析处理,最终实现阈值的自动选取,正确提取出有价值的特征角点。试验结果表明,改进算法较之传统算法有明显优势,能准确有效地提取出角点,具有较强的适应性和应用价值。     

基于角度累加的鲁棒角点检测算法EI北大核心CSCD

为了更好地进行角点检测,提出一种基于角度累加的鲁棒角点检测算法.首先定义反映边缘点特征的角度累加概念,并在"单弦"下计算边缘点的角度累加值来获取候选角点,避免邻近角点的丢失;然后构造局部自适应阈值来去除圆形角点,并提出其支撑邻域和比例系数的选取方法;最后通过"多弦"下的角度累加乘积来获取角点特征值,并构造全局阈值来去除虚假角点.实验结果表明,该算法提高了角点检测正确率,并且在角点重复率及定位误差方面也优于其他算法.     

Harris角点检测的优化算法

针对Harris角点检测算法中提取出较多的伪角点和计算量大的问题,提出了一种基于Harris角点检测的改进算法. 为抑制Harris角点检测中的伪角点数目并且提高算法的效率,首先加入预筛选得到候选角点,在计算水平和垂直方向梯度时,对于梯度较小的像素点进行预处理,在进行非极大值抑制时采用自适应阈值,提高算法自适应性,最后利用USAN对角点进行进一步选择. 实验结果表明,改进的Harris角点检测算法不仅提高了检测精度和效率,而且对噪声具有一定的鲁棒性.     

基于颜色与角点特征的图像垃圾邮件识别算法

垃圾邮件制造者将垃圾信息嵌入图像中,使基于文本内容的反垃圾邮件系统失效。对垃圾邮件图像的特点深入分析后,提出一种垃圾邮件图像识别算法。垃圾邮件图像多为计算机合成图像,其颜色不如自然图像丰富,且因含有大量文字导致图像中角点角度值分布呈现出一定的规律性。针对此问题选用颜色和角点特征并结合支持向量机分类算法来识别垃圾邮件图像。实验结果表明,该算法对真实垃圾邮件图像的识别精确率超过98％。     

图像边缘轮廓自适应阈值的角点检测算法

目的 基于边缘轮廓的角点检测算法的检测性能虽然相对比较稳定,但是它对边缘轮廓的局部变化敏感,并且只是给予一个经验门限去提取角点,为此提出一种对局部变化和噪声稳健的基于图像边缘轮廓自适应阈值的角点检测算法。方法 该算法利用各向异性高斯方向导数滤波器对不同边缘和角点模型进行表征,提取表征边缘和角点的灰度及几何变化的不变属性,并通过正则化计算得到区别边缘和角点的自适应阈值。该算法首先利用Canny边缘检测器检测输入图像的边缘映射并从边缘映射中提取出边缘轮廓;然后利用各向异性高斯方向导数滤波器对所提取出的边缘曲线进行滤波平滑,计算出每一像素点的响应并与自适应阈值作比较,把响应大于阈值的点作为候选角点;最后,对候选角点进行非极大值抑制得到最终角点集。结果 提出的算法分别与Harris算法,He & Yung算法,以及ANDDs算法在仿射变换和高斯噪声的实验环境下进行比较,其性能指标为平均重复率与定位误差;并且对每个角点检测算法在无噪声和有噪声的情况下进行了角点匹配比较。4种算法的两个指标的平均排名为Harris 3.375,He &Yung 2.625,ANDDs 2.625,本文算法 1.375。本文算法在仿射变换以及高斯噪声的情况下有着良好的平均重复率和定位误差,优于其他3种算法。匹配实验中的错误点以及丢失点也少于其他3种算法。结论 图像的特征检测在计算机视觉领域是一个重要的课题,在许多视觉系统中,检测特征往往作为复杂计算的第1步。因此,这一步的可靠性会极大地影响着视觉系统整体的结果。而角点作为图像的重要特征,对其研究具有重大意义。本文算法不同于传统的基于边缘的角点检测器仅利用边缘轮廓的信息,还利用到图像边缘像素的灰度信息。而且,本文算法还采用一个自适应全局阈值,避免了角点的误判。正则化的灰度变化有效减少了噪声或者光照对检测性能的影响。通过角点匹配实验、仿射变换实验以及高斯噪声实验,可以看出,本文的角点检测器拥有良好的检测性能,并且对噪声具有稳健性。     

一种自适应阈值的预筛选Harris角点检测方法

为克服Harris角点检测算法中漏检正确角点和提取出较多伪角点的问题,以及在对不同图像处理时,非极大值抑制无法设置通用阈值的现象,本文在进行非极大值抑制时采用自适应阈值,从而可得较多的正确角点。为进一步抑制角点检测中的伪角点数目并提高处理大图像的算法效率,加入预筛选得备选角点这一步骤,通过在进行Harris角点检测之前就先去除部分肯定不可能是角点的像素点,以减少最终得到的伪角点数,并有效地减少了运算量,提高了效率。实验结果显示改进的Harris角点检测算法的运行时间仅为原始算法的30%,且可以得到更多的精确角点和更少的伪角点,具有很好的角点检测性能。     

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。     

基于角点检测和自适应阈值的新闻字幕检测

目前用于提取新闻视频帧中字幕的方法准确率和检测速度普遍较低,尤其对于分辨率和对比度较小的标题文字,检测效果很差。针对上述问题,提出一种基于角点检测和自适应阈值的字幕检测方法。该方法利用角点检测确定标题帧中的文字区域并进行灰度变换,利用自适应阈值的方法对其进行二值化,得到OCR可识别的文字图片。实验表明,该方法可以快速有效地提取出分辨率和对比度较小的新闻视频标题字幕。     

基于改进Harris算法的角点检测

提出了一种改进的Harris角点检测方法.该方法在Harris角点检测求得角点响应函数后,利用双掩膜来定义进行非极大值抑制的局部范围,结合K均值聚类方法进行非极大值抑制,若像素点的角点响应函数值满足预设角点判定条件,则将该像素点定义为角点.实验结果表明,该方法无需进行阈值选择,提高了角点检测精度.     

面向图像角点特征取证的人工智能检测仿真

角点是展现局部图像特征的关键要素,但传统图像角点特征取证检测方法精度低,无法有效的解决角点特征图像中模糊、缺失等问题.为此,对面向图像角点特征取证的人工智能检测进行研究.通过在不同干扰情况下对图像做简化处理,完成特征取证.采用掩模平滑方法将提取出图像角点做增强处理,最后利用人工智能中链码和与差算法对图像做检测.结果表明...     

基于改进的Harris角点检测的车型识别方法

利用角点信息作为车辆正面图像的特征点对车型进行识别,将Harris角点检测的方法进行改进,将不同方向的特征值之比加入角点响应,提高了角点检出率;考虑到视频中行进车辆的位置变动,将车牌中心点位置作为定位点,计算不同车型的角点匹配率作为判定车型的依据。实验结果证实了所提方法的有效性。