多通道奇Gabor梯度相关矩阵的角点检测算法

为了抑制边缘轮廓平滑导致角点定位精度的下降,提出多通道奇Gabor梯度相关矩阵的角点检测算法。该算法是在Gabor滤波器的基础上,利用8个通道的奇Gabor滤波器对输入图像进行变换;然后利用每个像素与其相邻像素的Gabor梯度相关性构造自相关矩阵,若像素点的自相关矩阵对应的归一化特征值的和是局部极大值,则标记为角点。实验显示,与Harris算法、曲率尺度空间(CSS)算法等经典算法相比,该算法的平均正确检测率提高了约17.74%,平均定位误差降低了约18.15%。结果表明,所提出的算法具有更好的检测性能,并获得了较高的角点检测率及较好的定位精度。     

利用Gabor方向导数相关矩阵的角点检测

为了提高角点检测的准确率,提出了一种使用图像的Gabor方向导数构建相关矩阵来进行图像角点检测的算法。算法首先通过Canny边缘检测算法提取检测图像的边缘轮廓;然后使用Gabor滤波器对图像进行平滑,利用每一个边缘像素和其邻近像素的Gabor方向导数构建相关矩阵,若相关矩阵的归一化特征值的和大于预定阈值并且是局部极大值,则标记该像素为角点。算法利用邻近像素Gabor方向导数之间的相关信息提取角点,与传统的基于轮廓的角点检测算法相比,检测性能更加稳健。实验结果表明：在含噪声和无噪声情况下,提出的算法检测到的真实角点更多,而错误角点更少,整体性能有明显提升     

多尺度模糊加权角点检测新算法研究

为了提高图像角点检测的准确度和降低噪声对检测效果的影响,将多尺度思想和模糊理论引入到角点检测过程中,在建立了像素点属于角点的隶属度函数的基础上提出一种多尺度模糊加权角点检测新算法.首先将原始图像使用高斯核函数进行变换生成一组响应图像,并将其进行加权叠加得到原始图像的平均角点响应值;再选取合适的阚值进行相关处理得到最终的角点.实验结果表明,该算法不但抗噪性能较好,而且提取出来的角点也较准确.     

一种基于圆形角点的瞳孔定位算法*

提出了一种利用圆形角点定位瞳孔的算法。该算法主要在定位到人眼区域的基础上,利用改进的SUSAN算法寻找圆形角点;然后根据梯度放缩计算角点向量的梯度值,最后通过筛选函数输出瞳孔中心位置及亮瞳面积,准确地定位到瞳孔,并根据亮瞳的大小定位到瞳孔区域中心。实验结果表明本算法是准确可靠的。     

多尺度模糊加权角点检测新算法研究

为了提高图像角点检测的准确度和降低噪声对检测效果的影响,将多尺度思想和模糊理论引入到角点检测过程中,在建立了像素点属于角点的隶属度函数的基础上提出一种多尺度模糊加权角点检测新算法.首先将原始图像使用高斯核函数进行变换生成一组响应图像,并将其进行加权叠加得到原始图像的平均角点响应值;再选取合适的阈值进行相关处理得到最终的角点.实验结果表明,该算法不但抗噪性能较好,而且提取出来的角点也较准确.

     

基于概率密度的兴趣点检测算法

针对基于亮度兴趣点检测算法存在对纹理敏感和兴趣点分布不均匀(集中于高对比度区域)问题, 提出了一种新颖的基于概率密度的兴趣点检测算法. 该算法在经典的Harris角点检测算法基础上, 利用亮度的概率密度梯度代替亮度的梯度构建二阶矩矩阵, 进行兴趣点检测. 与基于亮度的Harris检测算法相比, 新算法不仅具有同样的几何不变性, 还有效地抑制了纹理中的``噪声'兴趣点, 并且兴趣点分布的均匀性明显优于基于亮度算法的检测结果.     

三角网格曲面角点的鲁棒性检测算法

为有效检测三角网格曲面上的角点特征,提出一种基于最小主曲率的角点检测算法.首先通过计算网格顶点处的最小主曲率,利用加权最小主曲率定义角点特征函数,并计算角点特征值;然后利用迭代阈值法自动产生检测阈值,以去除噪声和特征不明显的角点;最后采用非极大值抑制法消除局部邻域内的角点聚簇获取特征明显的角点.在此基础上,在多个尺度下分别计算每个网格顶点处的角点特征值,并通过加权将其合并成多尺度角点特征值,新的角点特征值使得角点检测算法具有较高的稳定性和鲁棒性.通过重复检测率实验和部分重叠曲面的配准实验,验证了文中算法的有效性与实用性.     

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.     

基于二维Gabor小波变换的角点匹配算法

图像配准研究的核心问题在于提高配准的速度和精度,而图像配准的结果主要取决于特征的匹配精度。为了提高特征匹配精度,本文提出了一种基于二维Gabor小波变换的角点匹配算法。该算法首先采用改进的Harris角点检测方法提取角点,得到角点位置的坐标,利用多个二维Gabor小波模板对参考图像和待配准图像进行滤波,从滤波图像中提取角点坐标处的复Gabor小波系数,并以此作为角点的特征描述,然后引入两种相似性度量因子对角点进行匹配。通过对不同图像进行大量的实验,该算法在选择合适的参数,同时采用最长公共子序列度量因子的情况下,能成功提取较多的同名点对,并且能够取得较高的匹配率。     

近邻传播聚类优化的角点检测改进算法

针对传统Harris角点检测算法和目前一些改进算法应用在图像拼接时,仍然可能存在只可在单一尺度上检测、角点位置不准确、伪检和对噪声敏感致使检测率不高等缺点,提出一种基于AP聚类角点提取优化的双边滤波（BF）角点检测改进算法。该算法在对图像进行双边滤波和多尺度角点检测的基础上,采用一种新型的聚类算法--近邻传播聚类算法（AP聚类算法）,对候选角点提取真实角点的效率进行优化,并对角点算子进行改进。实验是在VS2010+OpenCV平台实现的。结果表明提出的改进算法不仅提高了角点提取效率,而且更加精确地检测图像角点,具有更好的效果,更强的实用性。     

利用Gabor滤波的相位图像进行光流估计

提出一种联合Gabor滤波器和加权最小二乘法估计序列图像光流的方法,用Gabor滤波器的滤波结果作为新的图像特征来计算空间和时间相位梯度．为了获得较为精确的结果,用加权最小二乘法来估计序列图像的光流．实验结果表明,文中算法在光流的计算精度上要优于Lueas,Fleet等的方法．     

一种基于角点信息和加权子块的图像缩小算法

针对映射图像子块加权均值算法造成的角点信息丢失,提出一种同时考虑原始图片角点信息和映射子块的算法。首先,求出原始图片的角点信息,再根据缩小比例,求出缩小图像中的对应子块。如果子块内有角点则以该角点为中心计算加权系数;否则就按图像中心计算加权系数。使用本算法对文本图片的缩小能比单纯的子块加权算法保留更多的角点信息。     

基于Gabor特征与加权协同表示的人脸识别算法

针对基于稀疏表示分类方法的训练样本于与类别标签信息提取不足,特别是在训练样本和待测样本都受到噪声污染的情况下将会明显下降及算法复杂度较高的问题,提出以Gabor特征以及加权协同为基础的人脸识别算法;最初需要对人脸图像内所包含的各个尺度以及方向的Gabor特征完成提取,在稀疏表示中引入Gabor特征,将降维后的Gabor特征矩阵作为超完备字典,再用稀疏表示增强加权协同表示得到该字典下的的稀疏表示系数,然后利用增强系数与训练样本的标签矩阵完成对测试样本进行分类识别,从而得到Gabor特征以及加权的协同表示分类方法,在Yale人脸数据库、Extended Yale B和AR人脸数据库上以及在FERET人脸数据库对人脸姿态变化的实验表明新算法具有更好的识别率和较短的计算时间.     

改进Gabor加权分析方法在人脸识别中的应用

为提高Gabor对人脸结构特征和内容信息的保留能力,解决人脸识别中对表情等抗噪性差的缺点,提出一种基于改进Gabor加权分析的人脸识别算法。该方法通过对归一化的人脸进行多尺度Gabor分析,并依据相同滤波窗口参数进行归类合并,最后对该信号进行加权比对得到识别结果。实验证明,该方法很好地兼顾人脸结构特征和内容信息,具有良好的抗噪性和识别率。     

基于加权平均梯度方向场和改进Poincare Index的指纹奇异点检测算法

针对指纹图像具有局部平行性和渐变性以及邻域的脊线方向相关性高的特点，提出了一种基于加权平均梯度的指纹方向场算法。改进了传统的Poincare Index指纹奇异点检测算法。实验证明，在采用加权平均梯度算法获取的方向场上利用改进的Poincare Index算法可实现对低质量指纹图像的奇异点的准确提取。     

基于局部Gabor自适应三值模式的人脸识别

提出一种融合Gabor特征和局部三值模式（LTP）的人脸识别方法,并在算法中对局部三值模式（LTP）进行改进,提出能够自适应阈值的LATP算子。对归一化后的人脸图像进行多尺度、多方向的Gabor滤波提取其对应的幅值特征,在每个幅值图像上进行LATP运算,抽取局部邻域关系模式,这些模式的区域直方图再经过信息熵加权并串联得到最终的人脸描述,识别过程使用[χ2]距离对特征直方图进行相似度匹配。在ORL和Yale人脸数据库上实验,结果表明提出的算法对人脸表情和光照变化具有更好的适应性,对噪声干扰具有更强的鲁棒性。     

基于相位微分技术的光流估计

提出一种基于相位微分技术的光流估计方法.该方法选择6个方向对图像进行Gabor滤波,并把每个方向滤波后的图像叠加,作为特征图像计算时空相位梯度,再用相位梯度计算光流.用合成图像和真实图像对本文算法进行测试,实验结果表明,该算法在光流的计算精度优于Horn ＆ Schunck光流算法.