一种改善的基于支持向量机的图像边缘检测算法

本文给出一种基于支持向量机方法的边缘检测算法,用以改善传统边缘检测方法中存在的比如粗糙边缘、不准确边缘等缺点。支持向量机是建立在统计学理论基础上的一种新的机器学习方法。首先提出了边缘检测算法流程,然后使用支持向量机分类方法对图像进行边缘检测。用所得到的边缘检测算法与Prewitt算法的性能进行了比较。仿真结果表明本文给出的算法与Prewitt算法相比,边缘检测性能得到提高。     

基于模糊支持向量机的图像边缘检测

提出了一种基于模糊支持向量机的图像边缘检测方法.利用支持向量机分类的思想,将模糊支持向量机应用到图像边缘检测中,在有效检测出图像边缘点的同时,减小噪声点的干扰,时图像的边缘检测的一种新方法进行了研究探讨.     

基于边缘检测的斜纹布匹瑕疵检测

为了对布匹瑕疵进行快速准确的检测,提出了一种基于边缘检测的新算法。利用布匹图像中瑕疵与正常纹理产生的纹理边缘,将布匹瑕疵作为正常纹理的边缘检测出来。利用Sobel算子的方向性,分别对织物疵点在水平和垂直方向进行增强,计算出RGB图像中水平与垂直方向的梯度后进行边缘检测,通过图像融合和二值化完成最终检测。实验证明,该方法准确性高并且检测速率大大提高。     

一种改善的基于支持向量机的边缘检测算子

支持向量机是一种新的机器学习方法。它建立在统计学习理论基础上,较好地解决了小样本的学习问题。由于其出色的学习性能,该技术已经成为当前国际机器学习界的研究热点。文中提出了一种基于支持向量机的图像边缘检测新方法。这种方法介绍了如何使用支持向量机来高效的检测图像的边缘。首先用几个边缘简单的图像对支持向量机进行训练,然后使用支持向量分类方法进行边缘检测。针对实际图像的边缘检测实验表明,支持向量机可以有效地进行图像的边缘检测,其检测效果和传统的Canny边缘检测算子相当。     

一种改善的基于支持向量机的边缘检测算子

支持向量机是一种新的机器学习方法。它建立在统计学习理论基础上,较好地解决了小样本的学习问题。由于其出色的学习性能,该技术已经成为当前国际机器学习界的研究热点。文中提出了一种基于支持向量机的图像边缘检测新方法。这种方法介绍了如何使用支持向量机来高效的检测图像的边缘。首先用几个边缘简单的图像对支持向量机进行训练,然后使用支持向量分类方法进行边缘检测。针对实际图像的边缘检测实验表明,支持向量机可以有效地进行图像的边缘检测,其检测效果和传统的Canny边缘检测算子相当。     

基于HOG特征的行人视觉检测方法

行人检测是近年来计算机视觉领域中备受关注的前沿方向和研究热点.以单目视觉传感器作为外界环境信息获取的主要手段,建立了一个包含行人分割、识别的检测系统.根据行人特有的一些特征,提出了基于垂直边缘和边缘对称性的行人分割方法,并进行精确定位.在行人识别阶段利用HOG特征进行特征提取,然后利用线性支持向量机进行行人识别.对大量...     

保局投影在图像隐密检测中的应用

为解决图像隐密检测中图像特征维数过高导致的"维数灾难"问题,在保持图像特征内在低维结构的基础上降低特征向量的维数,方便构造更有效的分类器,提出了一种基于保局投影(locality preserving projections,LPP)降维的图像隐密检测算法,对待测图像进行小波变换形成图像特征后,利用LPP算法实现对图像高维特征的降维,得到图像特征集的低维流形.使用支持向量机(SVM)算法将降维后的特征映射到分类特征空间,实现对正常图像和隐密图像分类.实验结果表明,与不使用降维算法的检测方案相比,基于LPP降维的检测算法能够显著地提高检测的准确率.     

一种基于支持向量机的图像边缘检测方法

支持向量机是一种新的机器学习的方法.它以统计学习理论为基础,能够较好地解决小样本的学习问题.由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点.支持向量函数回归(SVR)是SVM的一个重要分支,它已经成功地应用于系统识别、非线性系统的预测等方面,并取得了较好的效果.文中通过图像的SVR表示,对SVR图像的边缘检测进行了研究.文中算例说明了该方法在实际应用中的可行性.实验结果表明,该算法能有效提高图像边缘检测效果.同时对其他边缘检测方法有一定的借鉴作用.     

多特征与边缘校正融合的天际线检测算法研究

针对天际线的高鲁棒性与高准确率检测问题，提出了一种多特征提取与边缘校正融合的天际线检测算法。采用Gabor纹理特征和颜色特征提取天空与非天空区域随机训练像素点的多特征值，接着采用支持向量机（Support Vector Machine，SVM）对多特征值训练得到分类器，从而检测出天际线的初始坐标位置；接着采用Canny算子对灰度化图像进行边缘检测，并利用线性五邻域搜索算法对初始坐标位置进行校正，最终得到天际线坐标位置。最后将所提算法在Web数据集和Basalt Hills数据集上进行测试，实验结果表明：提出的算法能有效地检测出较复杂图像场景中的天际线位置，在一定程度上减少了图像中相关像素点的干扰，使检测出的天际线更加平滑。     

基于对称性的快速车辆检测方法

提出了一种基于车辆边缘对称性和水平阴影的快速车辆检测方法.通过利用被检测图像减去道路背景图像的方法对被检测图像进行预处理,以最大限度去除背景图像中车道线等大量干扰,突出车辆图像,对图像分别做Sobel垂直和水平边缘检测.把垂直边缘图像分割放缩成远景、中景、近景3幅大小相同的图像,利用车辆对称性对分割放缩后3幅图像对称性进行检测,确定图像中所有车辆在图像中的水平位置.同时在水平边缘检测的图像中,利用水平阴影和汽车底部水平边缘确定汽车的垂直位置.实验结果表明,该方法简单、有效,能快速、精准地检测出汽车图像中所有的不同位置和不同大小的车辆.     

基于小波提升变换的边缘检测及应用

在分析了小波提升格式的基础上,提出了基于小波提升变换的图像边缘检测新算法.首先,通过小波提升分解获得水平、垂直、对角线细节子图和近似子图.然后,根据子图特性分别采用不同的算子进行边缘检测.最后,利用小波逆变换重构图像.通过在交通车流量检测的实验表明了该方法有效性.     

Tag ranking based on salient region graph propagation

In this paper, the problem of tag ranking by propagating relevance over community-contributed images and their associated tags is explored. To rank the tags more accurately, we propose a novel tag ranking approach based on the salient region. Firstly, we extract the salient region sub-image based on Itti model, and then construct two graphs with the whole image and the salient region sub-image. Secondly, we use the graph-based model to propagate the relevance of labels. Finally, we calculate the relevance score according to the results of the relevance propagation on the two sparse graphs. And then the new order of tags is determined by the relevance of the tags from high to low. Compared to existing methods, the proposed method considers not only the relationship between the whole images, but also the relationship between the salient regions. Therefore, it enhances the accuracy of the tag ranking. Experimental results conducted on a real dataset demonstrate that the ranking result of the proposed approach is closer to the manual rank.     

Multi-focus image fusion based on sparse decomposition and background detection

The goal of image fusion is to accurately and comprehensively describe complementary information of multiple source images in a new scene. Traditional fusion methods are easy to produce side-effects which cause artifacts and blurred edges. To solve these problems, a novel fusion algorithm based on robust principal component analysis (RPCA) and guided filter is proposed. The guided filter can preserve the edges effectively, which is often used to enhance the images without distort the details. Considering edges and flat area are treated differently by the guided filter, in this paper, sparse component of the source image is filtered by the guided filter to generate the enhanced image which contains the preserved edges and the enhanced background. And then the focused regions of the source images are detected by spatial frequency map of the difference images between the enhanced image and the corresponding source image. Finally, morphological algorithm is used to obtain precise fusion decision map. Experimental results show that the proposed method improves the fusion performance obviously which outperforms the current fusion methods.     

频域多尺度图像显著区域提取方法

针对显著区域提取算法中不能保留图像边缘及内部细节不充实等问题,提出一种基于频域的多尺度提取方法。对图像在不同分辨率尺度下进行傅里叶变换并计算剩余频谱,以此去除冗余得到显著信息,经反变化归一化得到显著图像。仿真实验结果表明所提出方法可行有效,具有良好的视觉效果,在保留显著区域边缘的同时能均匀突出整个显著目标,在受试者工作特性曲线下面积(ROC)评价方法上也取得了较好的实验结果。     

基于机载视频量测的3维城市建模

3维城市模型的快速获取及更新是近十年来计算机视觉及数字摄影测量领域研究的热点。从实用、经济的角度出发，提出了集成城市数字地图、LIDAR data以及机载视频序列影像多数据源，基于数字摄影测量理论的半自动获取3维城市模型的解决办法，并在3维导航的数据生产实践中进行了验证，取得较好的生产效率及效果。     

自适应加权融合显著性结构张量和LBP的表情识别

针对局部二值模式（Local Binary Pattern，LBP）提取纹理特征时忽略了图像的局部结构信息问题，提出一种自适应加权融合显著性结构张量和LBP的表情识别算法。该算法通过对整幅图片进行显著性区域检测得到全局显著图来消除细小的纹理和噪声。在显著图的基础上进一步提取两种显著性纹理特征，根据每种特征信息熵的贡献度来作为特征向量的加权依据。利用支持向量机（Support Vector Machine，SVM）进行表情图像的分类。实验结果表明，自适应加权融合的两种纹理特征能够较好地描述人脸的特征，有效地提高表情识别率。     

一种改进的基于奇异值扰动的单样本人脸识别方法

针对单训练样本情况下人脸识别性能不佳的问题,本文提出了一种改进的基于奇异值扰动的人脸识别方法。首先通过奇异值扰动方法扩展人脸样本,然后运用小波变换压缩扩展样本,选择小波变换分解后的低频分量作为子图像,再采用核主成分分析提取人脸的高阶特征,最后根据最近邻分类器分类。在ORL和Yale数据库上的仿真实验证明了本文方法的识别性能优于对比方法。     

基于显著封闭边界的图像检索算法

在分析了基于边缘的图像检索方法的缺点后，提出了一种基于显著封闭边界的图像检索新算法。它使用基于图论方法的边缘比算法从噪声图像中获取图像的显著封闭边界，然后以显著封闭边界来代表图像，每条显著封闭边界由两个特征：边缘幅度直方图和边缘角度直方图来刻画，并综合这两个特征进行图像间的相似性度量。实验结果表明，本文算法具有较高的检索准确率。     

Salient object detection method using random graph

In this paper, a bottom-up salient object detection method is proposed by modeling image as a random graph. The proposed method starts with portioning input image into superpixels and extracting color and spatial features for each superpixel. Then, a complete graph is constructed by employing superpixels as nodes. A high edge weight is assigned into a pair of superpixels if they have high similarity. Next, a random walk prior on nodes is assumed to generate the probability distribution on edges. On the other hand, a complete directed graph is created that each edge weight represents the probability for transmitting random walker from current node to next node. By considering a threshold and eliminating edges with higher probability than the threshold, a random graph is created to model input image. The inbound degree vector of a random graph is computed to determine the most salient nodes (regions). Finally, a propagation technique is used to form saliency map. Experimental results on two challenging datasets: MSRA10K and SED2 demonstrate the efficiency of the proposed unsupervised RG method in comparison with the state-of-the-art unsupervised methods.     

基于堆栈滤波器和Hopfield神经网络的边界检测法

提出了一种基于堆栈滤波器和Ｈｏｐｆｉｅｌｄ神经网络的边界检测法,采用较小滤波窗口的堆栈滤波器优化估计的图象象素点之间的灰度梯度,再根据这些灰度梯度的优化估计值计算及确定Ｈｏｐｆｉｅｌｄ神经网络的权重矢量,Ｈｏｐｆｉｅｌｄ神经网络收剑时输出图象的边界。相对于基于堆栈滤波器边界检测法,该方法对堆栈滤波器的优化训练速度大大提高,所需内存大为减少,而相对于基于Ｈｏｐｆｉｅｌｄ神经网络的边界检测法,该方法又