基于分层渐近匹配的鲁棒图象拼接

针对基于图象灰度匹配的图象拼接存在的两个主要缺点,提出了一种自动图象拼接新算法,即在相似度的代价函数定义中,通过引入基于M估计的鲁棒计算方法来消除局外点对全局变换参数估计的影响,而在初始参数估计问题上,则采用分层渐近匹配的机制及梅林变换,从而有效地解决了方位变动较大的图象带来大的初始参数估计的困难,同时有效地提高了计算效率.实验表明,该算法较大地扩展了基于灰度匹配的图象拼接算法的适用范围,具有良好的性能.     

基于序列图像的鲁棒三维重建方法

提出了基于序列图像的鲁棒三维重建方法。首先利用两幅图像的最优参数估计,然后添加新图像并采用稀疏调整,减少图像坐标测量值的最小几何误差。通过对三维结构和摄像机参数进行全局优化处理,以提高重建的鲁棒性。实验结果表明,该方法提高了重建的精度和鲁棒性,并真实地再现了物体的三维模型。     

基于层次模型的图像全局运动鲁棒估计技术

为了估计与补偿图像快速全局运动,研究了一种基于层次模型的处理方法,即首先把原始图像序列用亚采样的办法划分成具有金字塔式分辨率的多个子图像,使得每一个子图像运动相对小些,然后在每一个子图像中估计出传感器或摄像机的运动模型参数。通过对所有子图像的运动参数进行加权运算,得到原图像的运动参数。在估计传感器运动模型参数时,采用了回归技术：它首先估计局部运动,然后在最小二乘估计意义下,用局部信息来估计全局运动。在估计局部运动时,为去除奇异点,提出了一种叠代排除法。这种技术具有计算量少、实现简单、性能可靠等优点。     

基于鲁棒的全局流形学习方法

非线性降维在数据挖掘、机器学习、图像分析和计算机视觉等领域应用广泛。等距映射算法(Isomap)是一种全局流形学习方法,能有效地学习等距流形的“低维嵌入”,但它对数据中的离群样本点缺乏鲁棒性。针对这种情况,该文提出一种离群点检测方法,基于Isomap的基本思想,给出一种鲁棒的全局流形学习方法,提高Isomap处理离群样本点的能力。数值实验表明了该方法的有效性。     

无损载体和鲁棒代价结合的JPEG图像鲁棒隐写

目的传统隐写技术在实际社交网络信道上难以保护秘密信息的完整性。在社交网络中,图像往往经过有损压缩信道进行传输,从而导致隐蔽通信失效。为了保证经过压缩信道传输的载密图像鲁棒性,设计安全鲁棒的隐蔽通信技术具有实际应用价值。基于最小化图像信息损失,本文提出无损载体和鲁棒代价结合的JPEG图像鲁棒隐写。方法首先,指出构造无损载体能有效维持隐写安全性和鲁棒性的平衡,对经过压缩信道前后的JPEG图像空域像素块进行差分,构造无损载体以确定鲁棒嵌入域;其次,通过对离散余弦变换(discrete cosine transform, DCT)系数进行"±1"操作,并计算空域信息在压缩传输前后的损失,设计衡量DCT系数抗压缩性能的鲁棒代价;同时,验证在低质量因子压缩信道下鲁棒代价更能区分DCT系数的鲁棒能力,最后,利用校验子格编码(syndrome-trellis code, STC),结合无损载体和鲁棒代价对秘密信息进行嵌入。结果实验在BossBase1.01图像库上进行对比实验,相比于传统JPEG隐写技术,构造无损载体作为嵌入域能有效地将信息平均提取错误率降低24.97%,图像的正确提取成功率提高了21...     

基于坡度的鲁棒优化方法

提出一种基于坡度的鲁棒性评价指标, 通过三阶反距离平方权差分算法计算坡度, 以坡度指标来反映函数的变化趋势和平滑程度, 从而设计了一种求解鲁棒优化问题的多目标进化方法, 仿真实验证明其有效性。实验还表明该方法在解的分布性与区分度上更有优势。     

基于快速鲁棒特征集合统计特征的图像分类方法

针对现有利用快速鲁棒特征(SURF)进行图像分类的方法中存在的效率低、正确率低的问题,提出一种利用图像SURF集合的统计特征进行图像分类的方法.该方法将SURF的各个维度及尺度信息视为各自独立的随机变量,并利用拉普拉斯响应区分不同数据.首先,获取图像的SURF向量集合;然后,分维度计算SURF向量集合的一阶中心绝对矩、带权一阶中心绝对矩等统计特征,并构建特征向量;最后,结合支持向量机(SVM)进行图像分类.在Corel 1K图像库上的实验结果表明,该方法查准率较SURF直方图方法和三通道Gabor纹理特征方法分别提高17.6%和5.4%.通过与HSV直方图特征进行高级特征融合,可获得良好的分类性能.与SURF直方图结合HSV直方图方法、三通道Gabor纹理特征结合HSV直方图方法、基于视觉词袋(BoVW)模型的多示例学习方法相比,查准率分别提高了5.2%,6.8%,3.2%.     

基于多传感器图像融合技术的鲁棒景象匹配算法

将多个传感器获取的具有不同大小、不同分辨力和不同信噪比的实时图基于Kalm an滤波的方法进行融合,以提高实时图的性能;搜索融合后的实时图在基准图中的位置达到目标定位之目的,即进行景象匹配。在景象匹配过程中,选用归一化互相关系数作为相似性度量。多组实验与分析表明:所介绍的基于多传感器图像融合技术的景象匹配算法可以有效地解决实时图存在部分遮挡、灰度与对比度变化以及复杂噪声干扰等影响下的景象匹配问题。     

基于SUA的鲁棒协同优化方法

首先介绍了多学科环境下不确定性的类型以及各种不确定性发生的阶段和传播方式,并简要描述了多学科系统中不确定性传播方法SUA和近似不确定性传递方法IUP.最后,在此基础上给出了一种鲁棒协同优化的计算框架.     

基于复合混沌的鲁棒型医学图像加密算法

当前单一混沌图像加密算法的图像置乱程度低,导致加密结果易受到已知明文攻击,存在安全性低的问题.本文提出基于复合混沌的鲁棒型医学图像加密算法.设置图像密文反馈机制作为算法实现的理论支持,并读取鲁棒型医学原始图像.根据混沌模型的建立条件,构建复合混沌模型.选择Logistics混沌映射,生成复合混沌序列并进行多次迭代后,置...     

基于变形轮廓的医学图象匹配方法

艇变形轮廓线的方法实现医学图象匹配过程中的对应标记点问题,并用遗传算法进行最佳匹配结果的搜索。实验结果表明,该方法能有效地用于建立医学图谱和图象之间的一一对应关系,是对以往人工交互标注方法的重要改进。     

基于单应性矩阵和内容保护变形的图像拼接

针对图像拼接技术进行全景图像融合时出现瑕疵、畸变且不能保护图像内容的现象,提出了一种基于单应性矩阵和内容保护变形的图像拼接算法。该算法首先选用单应性矩阵模型,给定种子特征点,递增地对其相邻特征点进行分组;然后使用较合适的阈值进行分组得到尽可能多的特征点;最后对于由单应性矩阵产生图像的内容发生变化的现象,通过内容保护变形算法来解决,使拼接后的图像不会出现物体畸变、瑕疵的现象。实验表明,本文算法解决了在光照条件下出现模糊、图像内容发生变化的现象,有效地提高图像配准的效率,能够达到无缝拼接、无视差的全景效果图。     

鲁棒数字图像水印综述

鲁棒数字图像水印已经成为因特网迅速发展时必须提供的版权保护利器,但是,当前流行的鲁棒数字图像水印算法在水印的不可感知性上离真正的满意程度距离较远,往往是与原图有较明显的区别,并未完全达到优秀水印的要求.在介绍当前流行的鲁棒算法后,重点介绍了一种最新的基于人眼视觉模型,即基于NVF的鲁棒数字图像水印算法,并对该算法与流行的算法进行了不可感知性上的仿真对比.实验结果表明基于NVF的算法在版权水印隐藏的不可感知性上达到了令人满意的效果.     

基于海底资源丰度的图像检索

提出了一种基于丰度的图像检索方法，在小波变换的基础上定义了边缘平均重复度来描述丰度，由此构成相似性度量的特征空间．依据这一研究结果，可快速对海底资源图像库进行丰度意义下的检索并形成资源分布图．最后，给出了对海底资源图像库进行检索的实验结果．     

基于射影变换模型的图像特征点集配准

图像配准是计算机视觉中目标识别的一种基本方法,其目的是在待识别图像中寻找与模型图像的最佳匹配。该文讨论以特征点表示的图像间的配准问题,利用矩阵分解理论推导出射影变换下特征点集配准的闭合公式,给出变换参数估计的算法,并用模拟数据和图像角点检测的真实数据加以验证。实验表明该方法精确、稳定、受噪声影响小。     

一种稳健的公开数字图像水印技术

提出一种稳健的公开图像水印技术。随机选取若干象素点及其邻域,通过量化象素与邻域的均值之差来隐藏水印信息。实验表明,该方法简单、高效、安全性能好,且具有较好的不可感知性,对通常的图像处理及JPEG压缩等具有极好的稳健性。     

基于投影变换的图像自动配准

在阐述图像的投影变换与图像配准的关系的基础上，提出了一种基于投影变换的图像自动配准算法，在算法中结合运用了图像的Laplacian塔技术，在微机上编程实现了本算法，验证了算法的有效性。     

一种健壮的三维注册方法——对ARToolKit的改进

对增强现实二次开发工具ARToolKit的三维注册方法进行改进,使系统能够在标识部分被遮挡情况下完成三维注册.给出了算法的详细流程和运行结果.     

基于Potts模型的图像分割快速算法

Potts模型是一种通用的多相图像分割的变分模型,其极值问题需要迭代求解一系列偏微分方程。针对其求解过程计算效率较低的问题,提出一种基于对偶方法的快速算法。采用离散二值标记函数作为特征函数,利用Lagrange乘子法把对特征函数的约束加入能量泛函,然后引入对偶变量改写模型中的长度项,利用KKT的条件得到特征函数的二值解以及对偶变量的简单迭代格式。通过数值实验将该方法与梯度降方法、对偶方法和Split Bregman方法进行比较。实验结果表明,该算法的计算效率和分割准确性都高于其他三种方法。     

Robust图像跟踪：强度—特征混合式目标定位

在像平面上确定目标的位置(由它的瞄准点位置表示)是图像跟踪技术的核心.目前研究的目标是图像定位方法多偏重于单一的工作模式,因而难以适应变化较大的使用环境.本文提出一种旨在综合利用强度相关和特征匹配的混合式目标图像定位方法.假定当前帧图像已经过预处理并完成分割,首先通过一种自适应门限SSDA并辅之以投影排序搜索,尽可能快速地剔除与参考图差别较大的子区;再用一种简便可靠并可具一定记忆能力的特征匹配法,在保留的子区集内,为目标精确定位——宣布瞄准点位置.利用实际序列图像所作实验表明:上述方法较之通常采用的单一工作模式的定位方法,有明显增强的Robust性以及更广的适应性,而增加的计算代价不大.