数字曲线上特征点的检测

本文提出了一种检测数字曲线上特征点的算法。它首先总结了目前已有的多边形近似和显著点检测算法，然后指出正确的特征点检测算法应结合估计和形状两方面的准则，最后提出了一种基于可靠线段的特征点检测方法。这种方法先从估计的观点找出曲线上的可靠线段，然后从形状理论的观点来组合这些线段以及剩余边缘点来获得曲线的特征点。如何寻找曲线上的可靠线段，本文提出了基于特征图分析的方法和卡尔曼滤波的方法。实验结果表明这种方     

一种改进的SIFT特征点检测方法

尺度不变特征变换(SIFT)图像匹配算法采用高斯差分算子(DoG)进行特征点检测,计算上使用相邻尺度高斯平滑后图像相减。在实践中,检测出的特征点遍布整个图像,造成后续计算量大且误配率高,降低了SIFT算法的实时性。针对以上问题,采用一种优化后的区域检测方法对SIFT特征点检测进行改进。首先利用优化后的区域检测方法检测出目标物体,然后运用DoG算子提取特征点,使特征点集中在目标物体上,从而简化计算,提高SIFT算法的实时性。最后,给出改进算法的实验结果和应用前景。     

一种基于特征点识别的曲线离散化方法

提出了曲线局部特征点的概念，并根据平行线原理给出了一种快速求取特征点的算法。通过对局部特征点进行优化，得到所需的局部特征点集，实现了曲线的离散。该方法在离散过程中充分考虑了离散精度误差与逼近弦长对后续三角化质量的影响。实验结果表明，由这些特征点组成的多边形可较好地逼近曲线，算法效率较高。     

基于点特征的序列图像匹配方法研究

提出了用3个向量描述Harris角点方向特征的方法,该算法首先用Harris角点检测得到特征点,并把SIFT算法中使用的特征描述方法引入到特征点描述中;然后利用欧氏距离对点特征进行匹配;提出一种简单高效的排除错误匹配的方法。该算法对数字城市中序列图像匹配具有光照强度、平移、旋转不变性。实验结果表明,该算法匹配准确率较高,具有实用价值。     

一种边缘点特征图像配准算法

为解决图像的精确配准问题,提出了结合LoG算法的特征点的提取方法,并将尺度不变特征算法(SIFT)应用到图像的特征描述中.首先利用LoG算法计算边缘点,对边缘点的梯度值进行排序,选择梯度较大的点作为特征点;然后采用SIFT计算特征点的特征向量,利用最小距离算法找到两幅图像的匹配点对;最后利用最相关点和次相关点比例的方法排除错误的点对.实验结果证明,算法对具有光照、角度不同的两组图像能够实现精确的配准,准确率超过90％.     

基于B样条模型的曲线特征点检测法

提出了一种基于B样条模型的曲线特征点检测法。该方法首先用B样条函数对原始曲线进行副近,得到原始曲线的分段解析表达式,然后利用曲线曲率分布来确定其特征点。B样条曲线分段解析的特点提出了曲率估计的精度,进而使特征点检测的准确度也得到提高,同时B样曲线拟合过程在一定程度上起到了对原始曲线的平滑作用,可抑制噪声对特征点检测的影响,并且这种平滑不具有常规高斯平滑的萎缩效应。实验结果证明了本文方法的有效性。     

一种基于轮廓分析的图像特征点检测方法

图像特征点检测是图像匹配、目标识别以及运动估计等领域的一项关键技术.本文对图像轮廓二维信息进行降维处理,提出了一种特征点质量评价因子.利用该因子并结合文中给出的特征点提取准则对图像轮廓链码进行分析,提取特征点.该方法避免了常规的基于链码的特征点检测方法中曲率的计算,提高了检测速度.试验证明该方法具有较好的实时性和定位精度.     

一种基于SIFT和SUSAN特征的图像匹配方法

针对SIFT方法在角点检测上的不足,提出了一种基于SIFT和SUSAN混合特征匹配的自动匹配算法。算法应用SIFT和SUSAN两种具有互补特性的局部不变特征,利用SIFT方法检测空间极值特征点,利用SUSAN方法检测角点,结合两种特征点位置,利用SIFT方法生成匹配特征向量,最后根据最近邻特征点距离与次近邻特征点距离之比确定初始匹配点对,实现图像的配准。实验表明该算法有效,能够提高图像的自动匹配准确性。     

一种快速检测图像角点特征的线搜索式方法

传统的图像角点特征检测方法在速度和准确性两方面难以兼顾. 针对该问题, 提出了一种角点特征检测的线搜索式方法. 该方法作用于一个以当前像素为中心核的圆掩模, 在该掩模内搜索通过核的所有直线, 如果存在一条直线不穿过核附近给定邻域以外的其他同值收缩核(Univalue segment assimilating nucleus, USAN)区域, 则当前像素点为角点. 论文论证了使用有限数目搜索线的可行性与必要性. 采用由粗及细的搜索策略, 动态设计搜索线的数目与搜索线上的检测点数目, 以提高检测速度. 提出了一种基于最大同值距离的新型非极大值抑制进行角点的精确定位, 并结合多种新型伪响应抑制措施, 有效地提高了算法的准确度. 实验结果表明该方法在准确性方面优于MIC、SUSAN和Harris等算法, 而且速度快, 仅稍慢于MIC算法, 具有优良的综合性能.     

一种局部最佳阈值预测的自适应角点检测方法

为解决图像角点检测阈值选取方法计算量大的问题,提出一种新的自适应角点检测方法。分析能够反映图像灰度分布、对比度和相关性因素的9个基本统计特征,通过提取4 848幅样本图像的基本统计特征,并按主成分分析方法计算4项反映图像不同属性的综合指标。建立多元非线性局部最佳阈值预测模型,由训练数据对模型参数进行优化估计,得到指导角点检测自适应阈值选取的预测模型。实验结果表明,预测模型的引入能够改善图像显著角点检测质量,与原始检测算法相比,复杂图像中显著角点检出率平均提高45%,非显著角点误检率平均降低81%。     

一种改进的Harris特征点检测算法

现有Harris特征点检测算法采用高斯滤波进行平滑,图像存在角点信息丢失与偏移的现象。为解决该问题,提出基于变分B样条滤波与快速局部窗口搜索相结合的Harris特征点检测算法,选择具有低通特性的B样条函数作为平滑函数构造滤波器,引入形态学滤波中的极大值滤波思想,利用快速局部窗口搜索算法进行特征点局部极值的提取,从而提高特征点提取的精度和速度。实验结果表明,改进算法具有特征点提取快速均匀、检测定位准确、抑噪性好的特点。     

利用局部熵和重复度检测特征点

以三维散乱点在局部邻域内的熵变化为检测准则,利用局部熵突变发生在曲面形状变化剧烈区域的特性,描述采样点属于某个特征的可能性;同时引入重复度;以反映在不同大小的局部窗口下采样点被检测为特征点的频度,获取特征点集．实验结果表明,该算法稳定性较好,能在一定程度上处理密度分布不均的点集。     

偏置场下光栅图像的目标轮廓特征点检测方法

文章目标是解决有偏场环境下带有光栅图像的目标轮廓特征点检测问题。针对目标轮廓特征检测中存在的有偏光照环境和光栅模式,提出了一个两步解决方案。首先采用一种新的基于有偏场估计的图像模糊聚类迭代算法,对原灰度图像进行分割;接着,利用Harris特征检测器提取分割后目标图像的候选特征点,并在Harris特征检测算法中提出了基于特征响应函数直方图的罚值选择方法。实验结果表明,在光栅纹理和偏置场并存情况下,该文提出的方法优于传统Harris角检测器,解决了传统Harris角检测在该特定环境下所面临的精度下降问题。文章提出的算法可用于偏置场环境下光栅图像目标形状分析。     

基于非监督特征学习的兴趣点检测算法

由于兴趣点是图像中的基础、关键特征,因此兴趣点检测是图像配准、图像检索以及图像识别的关键步骤。基于兴趣点对于图像特征响应较为强烈的特性,结合非监督特征学习算法可以自主地从无标签的样本中提取特征的思想,提出了UFL-ID兴趣点检测算法。该算法无监督学习了图像的底层特征,对特征进行信息量和各向同性的评价,并利用特征的卷积响应及评价参数寻找图像中的兴趣点。与其他常见的兴趣点检测算法的对比实验表明,该算法具有良好的重复性与抗噪能力。     

基于视觉特征信息量度量的高斯尺度参数自适应算法

为了避免计算过于复杂或因丢弃过多关键信息而造成失真过大的问题,在高斯尺度空间的构造中应正确选用尺度参数,以使图像信息的变化呈现均匀的特点。目前,许多高斯尺度空间应用中采用的层之间的尺度参数关系并不明确,使得分层效果不理想。本文基于视觉特征模型,提出一种自适应高斯尺度参数的算法,并通过对SAR图像降噪处理对比试验验证了它的有效性,从而为图像的高层次处理如目标识别等提供了信息量稳定变化的尺度空间。     

基于小波多尺度分析的图像特征点提取方法

图像数据的无序激增使得基于内容的图像检索技术成为一个研究热点。为了克服普通颜色特征不考虑颜色空间分布的缺点,提出了一种基于小波变换的图像多分辨率分块特征点提取方法,采用多分辨率的分块策略对图像的二维空间进行划分,多分辨率的分块策略使得相关反馈的自适应性得到了更好的保证,实验证明文中所给的方法是十分有效的。     

基于Laplace-Beltrami算子特征向量的三维模型特征点检测与分析

针对三维模型的特征点检测问题,提出一种基于Laplace-Beltrami算子的特征点检测算法.对于给定的三维网格模型,首先构造离散Laplace-Beltrami算子矩阵,求解特征值与特征向量,随后在不同频率的特征向量上检测局部极值点和鞍点,最后通过基于特征值的加权公式把检测结果结合起来,实现对特征点不同显著度的可视化.实验对选取自SHREC2010数据集的三维网格模型进行特征点检测,在VS2013平台上使用OpenGL进行可视化.结果表明,文中算法在三维网格模型上取得准确的检测结果,在高噪声的模型上具有鲁棒性,对等距模型能得到高度相似的结果,并且能通过分布式计算处理大尺寸的三维模型.     

一种改进的多尺度Harris特征点检测方法

多尺度Harris方法检查到的特征点存在很多冗余点,虽然Harris-Laplace方法可以除去一些冗余点,但是还会出现一个局部结构内存在多个特征点的情况或一个特征点代表多个不同尺度的局部结构。为此,提出一种改进的方法,在检测多尺度Harris特征点时进行跟踪分组,使代表同一个局部结构的特征点被分为一组,用归一化的Laplace函数去除冗余点,再利用点的度量值选出最能代表该局部结构的特征点。实验结果证明,该方法能够有效去除冗余点,在模糊和旋转变换时性能优于Harris-Laplace方法,具有尺度不变的特性。     

特征匹配结合自适应阈值的图像伪造检测

针对现有图像复制移动伪造检测方法对图像中存在同质纹理或均匀区域检测困难、相关参数阈值选择影响检测等问题,提出一种基于特征匹配与自适应阈值的图像复制移动伪造检测方法。首先通过定义和优化成本函数来制定交互作用机制,包括匹配和变换估计步骤;然后在迭代过程中执行步骤,使相关阈值的选择和估计更合理,自动识别和定位伪造区域;最后采用检测系统的相互作用关系,检测并修正步骤中发生的错误。实验结果表明:相比传统的复制移动伪造检测方法,在对伪造图像的像素图像精度水平、旋转和缩放的鲁棒性、检测专业伪造图像以及变换矩阵的精度等不同情况,所提方法效率更高。     

基于时空轨迹行为特征的视频拷贝检测方法

互联网环境中大规模的视频拷贝检测面临拷贝变化多样性问题和数据量大的问题,需要使用鲁棒、精简的视觉特征.提出以视频连续帧中关键点的轨迹行为作为内容匹配的特征.关键点轨迹的运动行为不受拷贝变化的影响,利用其特征可以实现鲁棒性匹配.采用马尔可夫链模型建模轨迹的行为过程,将每条轨迹表示为一个25维的精简向量特征.使用时序一致性匹配方法定位视频拷贝的段落.在标准数据集上的对比实验证明：提出的算法在各种常见的拷贝变化下可以得到较高的检测精度,特征匹配的时空消耗低,对大规模的视频拷贝检测行之有效.