排序方式: 共有45条查询结果,搜索用时 15 毫秒
31.
基于兴趣点伪泽尼克矩的图像拼接 总被引:5,自引:0,他引:5
针对基于特征匹配的传统图像拼接方法对旋转和噪声敏感的问题,提出了一种基于兴趣点伪泽尼克(Zernike)矩的图像自动拼接技术.利用哈里斯(Harris)角检测器获取图像中的兴趣点,计算以兴趣点为中心邻域窗口的伪泽尼克矩,通过比较各个兴趣点邻域伪泽尼克矩的欧氏距离提取出初始特征点对,根据几何变换模型剔除伪特征点对,最后利用得到的几何变换模型,对输入图像进行几何变换后将两幅图像间的重叠区域进行图像融合,完成图像的拼接.实验表明,该方法对平移、任意角度的旋转以及噪声均具有鲁棒性,对于具有小尺度变换(小于1.5)的图像仍然具有很好的拼接效果. 相似文献
32.
一种基于非采样Contourlet变换红外图像与可见光图像融合算法 总被引:5,自引:1,他引:5
针对同一场景红外图像与可见光图像的融合问题,提出了一种基于非采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)图像融合算法.算法首先采用NSCT对源图像进行多尺度、多方向分解,得到低频子带系数和各带通方向子带系数.然后,针对低频子带系数的选择,提出了一种基于红外图像与可见光图像物理特征的"加权平均"系数选择方案;针对各带通方向子带系数的选择,结合人眼视觉特性,提出了一种基于区域能量匹配的系数选择方案,得到融合图像的NSCT系数.最后经过NSCT逆变换得到融合图像.实验结果表明该算法可获得较理想的融合图像,其融合效果优于传统的基于离散小波变换以及离散小波框架变换的图像融合算法. 相似文献
33.
提出了一种基于曲率尺度空间的图像拼接算法。该算法利用曲率尺度空间(CSS)角点检测法提取特征点,通过比较各特征点圆形邻域Zernike矩的欧式距离得到匹配点对,然后利用正确的映射模型计算出变换参数,最后采用加权平均法得到图像的拼接结果。实验表明,该算法在图像间存在旋转、平移及噪声干扰的情况下,仍能得到很好的拼接结果。 相似文献
34.
35.
提出了一种基于兴趣点的图像检索新方法.在尺度空间中检测兴趣点,依据兴趣点的分布将图像划分成一系列等面积的扇形子区域并提取图像特征.该特征既反映了兴趣点的局部特性,又考虑了兴趣点的空间分布结构,同时对图像旋转、缩放和平移具有不变性.在相关反馈阶段,将图像看作是由各子区域内兴趣点局部特征构成的多示例包,根据用户选择的实例图像生成正包和反包,采用多示例学习算法获得体现图像语义的目标概念.本方法缩小了用户查询中的歧义性,在Corel图像库中进行的实验表明,与其他基于兴趣点的图像检索方法相比,平均检索准确率提高7%以上,可以更准确地查找到用户所需图像. 相似文献
36.
一种基于分形和小波变换的图像放大算法 总被引:3,自引:0,他引:3
为了更好地进行图像放大,利用小波变换的思想,提出了一种分形插值和小波变换相结合的图像放大算法.分形插值能够较好的保持原有图像的纹理特征,小波变换后的高频分量具有丰富的细节边缘信息,因而能够重构出高质量的图像.实验表明,和其它算法相比,使用该算法放大后的图像具有更好的主观和客观质量. 相似文献
37.
一种基于兴趣点特征匹配的图像镶嵌技术 总被引:6,自引:2,他引:6
提出一种基于兴趣点特征匹配(IPFM)的图像自动镶嵌技术。首先利用混合的角和边检测器获取待镶嵌图像中的兴趣点,通过采用一种双向最大相关系数匹配的方法提取出初始特征点对,然后用空间坐标距判别准则剔除伪特征对,最后利用正确匹配特征点对实现图像的镶嵌。此外,在图像融合技术中引入了域值的概念,从而解决了重叠区域图像平滑过渡问题。实验表明:该方法能够快速准确地提取出两幅图像间的对应特征点,大大降低了误匹配的概率;在图像间存在小的旋转量情形下,仍能有效地实现图像的平滑镶嵌。 相似文献
38.
一种基于Curvelet变换多传感器图像融合算法 总被引:10,自引:6,他引:10
综合分析了Curvelet变换的特性,并提出了一种基于Curvelet变换的多传感器图像融合算法。首先采用Curvelet变换将源图像分解到不同尺度、方向频带范围内,然后采用不同的融合规则得到融合后图像的Curvelet变换系数,最后再进行Curvelet逆变换得到融合图像。采用多组具有不同特征的源图像进行了融合实验,并对融合图像进行了主客观评价。实验结果表明,相比于传统的基于小波变换的图像融合算法,该算法能够有效避免“人为”效应或高频噪声的引入,得到具有更好视觉效果和更优量化指标的融合图像。 相似文献
39.
40.
基于密度估计的逻辑回归模型 总被引:2,自引:0,他引:2
介绍了一种基于密度的逻辑回归(Density-based logistic regression,DLR)分类模型以解决逻辑回归中非线性分类的问题. 其主要思想是根据Nadarays-Watson密度估计将训练数据映射到特定的特征空间,然后组建优化模型优化特征权重以及Nadarays-Watson 密度估计算法的宽度. 其主要优点在于:它不仅优于标准的逻辑回归,而且优于基于径向基函数(Radial basis function,RBF)内核的核逻辑回归(Kernel logistic regression,KLR). 特别是与核逻辑回归分析和支持向量机(Support vector machine,SVM)相比,该方法不仅达到更好的分类精度,而且有更好的时间效率. 该方法的另一个显著优点是,它可以很自然地扩展到数值类型和分类型混合的数据集中. 除此之外,该方法和逻辑回归(Logistic regression,LR)一样,有同样的模型可解释的优点,这恰恰是其他如核逻辑回归分析和支持向量机所不具备的. 相似文献