基于形态学和自适应模糊内插的红外图像放大

提出一种有效的红外图像放大算法，该算法和常用的基于双线性内插进行图像放大的算法有所不同．文中算法首先采用基于形态学的预处理算法对红外图像进行预处理；以使得边缘定位更容易；然后采取一种自适应模糊内插算法进行图像放大，该算法克服了一些基于双线性内插算法进行图像放大的算法的缺点；最后，给出文中算法和基于双线性内插算法进行图像放大的算法的实验结果．实验结果表明，文中算法有效地提高了放大图像的质量．     

用小波变换实现红外图像的边缘提取方法研究

红外图像的边缘提取是其判读和识别的重要技术基础。红外图像背景复杂、噪声较为严重。针对这一特点，本文利用小波变换易于消除噪声、运算方便的特点。提出了一种基于小波变换的红外图像边缘提取算法。首先利用小波算法对红外图像进行滤噪，然后利用高斯函数作为平滑函数对图像进行水丑和垂直方向的小波变换。提取红外图像边缘特征。文后给出了仿真实例，证明了该算法的科学性和可靠性。     

分形插值结合边缘轮廓实现图像仿射变换

通过对边缘和平滑区域采用不同的插值处理方法，能获得清晰的变换图像．对自然景观图像、医学图像和人物图像进行了变换，得到的结果说明了文中算法的有效性．同时该算法容易编码。     

基于直方图包络的红外图像边缘检测

针对高压输电线路红外图像的特点提出一种基于直方图包络曲线的图像边缘检测新算法。为了抑制红外图像中噪声的影响,利用Savitzky-Golay（S-G）滤波器求取灰度直方图的包络曲线来平滑噪声,根据包络曲线的极值点对红外图像进行边缘提取。实验结果表明,该方法简单有效、定位精度高、优于传统的几种边缘提取算子。     

基于组合欧拉向量与边缘方向直方图的图像检索方法

在图像数据库中,如何有效检索和查询图像是一个重要的研究内容.文中提出一种结合组合欧拉向量与边缘方向直方图( EOH)的图像检索方法.首先,从边缘图像中提取组合欧拉向量特征进行图像检索(EEXO算法),其次,为更好地区分不同形状但欧拉特征相近的图像,将EEXO算法与EOH算法相结合提出EEXOEOH图像检索算法.实验结果表明,EEXOEOH算法与其它4种算法相比,具有较好的检索效率.     

电力巡检场景下的红外与可见光图像配准方法

电力设备故障会导致停电事故,影响电网的安全稳定运行。根据电力设备运行时会产生热量的特点,提出一种电力设备的红外与可见光图像配准方法,便于进行异常发热故障检测。首先通过Sobel边缘检测算子提取电力设备的红外与可见光图像的边缘信息,得到边缘图像;然后通过SuperPoint算法检测2幅边缘图像的特征点并计算描述子,利用SuperGlue算法对特征点进行匹配;最后通过最小二乘法计算仿射变换模型参数,实现电力设备的红外与可见光图像配准。实验结果表明本文方法能够对电力设备的红外与可见光图像进行高精度的配准。     

一种基于改进的形态学红外图像边缘检测算法

针对红外图像边缘模糊和非均匀性噪声强的特点,提出了一种阈值分割与形态学相结合来提取红外图像特征的方法,对红外图像进行边缘提取。仿真实验结果表明：该方法能够清晰、有效的提取红外图像的边缘,改善图像质量,是一种有效的边缘检测方法,具有较好的实用性。     

基于Canny算法的红外小目标边缘检测方法

从红外图像的特点出发,基于Canny算法进行了目标边缘检测。首先,对源图像进行小波分解和重构,对图像进行消噪,抑制噪声对目标提取的影响。然后对消噪后的图像用Canny算法进行边缘检测。这种边缘检测方法利用了小波消噪的优点,在抑制背景噪声的同时保留了目标边缘细节。实验结果表明,这种结合方法优于单独使用Canny算法。     

图像边缘提取技术的分析及优化

本文对现有代表性的各种图像边缘提取方法进行了介绍和归纳,对比、分析了各自的优缺点,并自己提出了基于小波变换数据融合的图像边缘检测算法,该方案结合使用了微分法和小波变换两种方法,发挥了它们各自的优点,获得了比较明显的图像边缘。并对几种图像边缘提取算法进行计算机仿真研究,实验结果表明基于小波变换数据融合的图像边缘检测算法所得到的边缘提供了较高的边缘定位精度,是一种有效的图像边缘提取算法。     

基于边缘保持的CT图像插值放大算法

由于医学硬件设备和辐射剂量的限制,为了获得高分辨力、高质量的CT图像以协助医生进行诊断和治疗,通常需要从软件方面将CT图像放大或局部CT图像放大,考虑到CT图像边缘在CT图像处理中的重要性,提出一种基于边缘保持的CT图像插值算法,该算法包括两个步骤,第一步对原图像进行边缘提取以及沿边缘方向进行边缘插值放大;第二步进行图像平滑区域的双线性插值放大。该算法能很好地保护图像的边缘细节,文中给出了放大实例,实验结果证明了算法的有效性。     

校正图像对视差图计算的一种简化方法

本文提出了一种基于边界流的校正图像对视差图计算的简化方法。本方法通过将校正图像上匹配扫描线对划分为灰度相似的象素段，以灰度平均的像素段为基元构造新扫描线，在计算像素段匹配的基础上进行匹配计算，以降低视差图计算过程中的歧义性，提高匹配效率。     

一种新型的自适应模糊中值滤波算法

针对传统中值滤波算法不能很好地保护图像细节以及受严重噪声污染时性能急剧下降的情况,提出了一种新型的自适应模糊中值滤波算法。通过比较滤波窗口内像素点的灰度值与像素点灰度值的均值定义了模糊滤波系数,利用此模糊滤波系数对滤波方法进行加权,得到一种加权中值滤波器。通过对小窗口内的灰度值不等于最大灰度值和最小灰度值的像素点的检测自适应调整窗口大小,对超过设定的最大窗口的情况,噪声点的灰度值用四个相邻的已处理的像素点灰度值的均值进行替换。仿真结果表明,新算法具有较好的细节保护能力和较强的去除噪声能力。     

基于色彩空间单一图像像素级去雾算法

基于雾会降低图像对比度以及边界模糊的实际情况,提出一种基于颜色空间的单幅图像去雾算法。首先计算每个像素在RGB颜色空间中距离灰阶线(原点与点(255,255,255)所确定的直线)的距离,确定深度图像;然后根据灰阶线距离计算每个像素在颜色空间中的新位置,进而获得去雾后的图像。算法具有良好的实用性和并行计算可行性。实验结果表明:算法显著增强了图像的对比度、颜色饱和度等,具有良好的去雾效果。     

红外热像去除水平噪声的算法研究

水平噪声是红外热像噪声中的一种。红外图像的直方图一般有一个高的较窄的峰,基于这一点,该文提出了一种估计红外热像的噪声均匀区域,从而估计并去除红外热像水平噪声的算法。     

自适应滤波窗实现距离加权图像椒盐噪声滤除

目的 在比较几种椒盐去噪方法的滤波窗口尺寸选择策略的基础上,提出一种基于自适应滤波窗的距离加权图像椒盐噪声滤除方法。方法 首先将图像中灰度值为0或255的像素点判定为噪声点,接着对每个噪声点,在以该噪声点为中心、不断增大面积的滤波窗口序列中,寻找包含非噪声点的最小尺寸窗口。若此窗口尺寸小于预设的阈值,则使用该窗口中的非噪声点进行距离加权滤波。否则认为该噪声点位置位于图像自身灰度值为0或255的像素点区域内部,使用少数服从多数策略计算灰度恢复值。结果 将本文方法与其他7种椒盐去噪方法相比较。当图像自身包含较多灰度值为0或255的像素点时,本文方法去噪效果优于其他7种方法。当图像自身不含或较少包含灰度值为0或255的像素点时,本文方法与其他方法中的最优去噪结果效果相当。结论 本文方法不仅能够有效滤除椒盐噪声,而且适用于自身包含灰度值为0或255的像素点多的椒盐噪声图像。     

基于分类器的图像模糊边缘检测快速算法

通过对Pal King边缘检测算法的分析,提出了一种新的模糊边缘检测快速算法。首先对图像进行模糊增强,然后依据当前像素及其8-邻域像素的灰度,设计了一个分类器,通过计算相对于该分类器的模糊隶属度函数值,对像素进行边缘分类;最后锐化所得的边缘像素,剔除噪声。算法抛弃了Pal King方法中复杂的迭代运算,同时也克服了Pal King算法中对图像低灰度值边缘信息的丢失,还可以通过设置不同的参数来检测不同细节的边缘。实验结果表明,该快速算法比Pal King算法的边缘检测能力更强,同时运算速度提高了约20倍。     

一种基于方向能量聚集的立体匹配算法

本文提出了一种新的局部立体匹配算法.该方法首先将参考图像中的像素分为同质和异质像素;然后对异质像素进行N个方向的能量聚集,利用WTA(Winner Take All)方法选取所有方向上的最优视差,并把统计量最多的视差设为当前点的最终视差,对同质像素利用可移动矩形窗口聚集更多的像素进行匹配;最后,对得到的视差图采用一种快速有效的后处理去除视差图的噪声点.通过实验表明,本文算法在保持高效的同时,能够取得较高的视差准确性,尤其在视差不连续区域和无纹理区域.     

改进SURF算法在图像汉字识别中的应用

针对复杂背景下汉字匹配准确率较低的问题,提出一种改进的SURF算法。该算法利用灰度分级的字符分割方法,先进行灰度分割增强图像的对比度,采用灰度分级树将图像中的所有像素处理为树的模式进行计算,根据灰度分级确定主节点,根据主节点的级别所对应的灰度值对图像进行分割。同时,根据汉字结构的特殊性,取消了SURF算法的旋转不变性。实验结果表明,与未使用改进的SURF算法相比,对图像质量较差的文本图像,改进的SURF算法能有效地提高其匹配的准确率。     

Dense Features for Semi-Dense Stereo Correspondence

We present a new feature based algorithm for stereo correspondence. Most of the previous feature based methods match sparse features like edge pixels, producing only sparse disparity maps. Our algorithm detects and matches dense features between the left and right images of a stereo pair, producing a semi-dense disparity map. Our dense feature is defined with respect to both images of a stereo pair, and it is computed during the stereo matching process, not a preprocessing step. In essence, a dense feature is a connected set of pixels in the left image and a corresponding set of pixels in the right image such that the intensity edges on the boundary of these sets are stronger than their matching error (which is the difference in intensities between corresponding boundary pixels). Our algorithm produces accurate semi-dense disparity maps, leaving featureless regions in the scene unmatched. It is robust, requires little parameter tuning, can handle brightnessdifferences between images, nonlinear errors, and is fast (linear complexity).     

Near-real-time stereo matching with slanted surface modeling and sub-pixel accuracy

This paper presents a new stereo matching algorithm which takes into consideration surface orientation at the per-pixel level. Two disparity calculation passes are used. The first pass assumes that surfaces in the scene are fronto-parallel and generates an initial disparity map, from which the disparity plane orientations of all pixels are estimated and refined. In the second pass, the matching costs for different pixels are aggregated along the estimated disparity plane orientations using adaptive support weights, where the support weights of neighboring pixels are calculated using a combination of four terms: a spatial proximity term, a color similarity term, a disparity similarity term, and an occlusion handling term. The disparity search space is quantized at sub-pixel level to improve the accuracy of the disparity results. The algorithm is designed for parallel execution on Graphics Processing Units (GPUs) for near-real-time processing speed. The evaluation using Middlebury benchmark shows that the presented approach outperforms existing real-time and near-real-time algorithms in terms of subpixel level accuracy.