基于Legendre正交矩的模糊形变图像的配准方法

针对同时含有模糊和几何形变的图像,本文提出一种新的基于Legendre正交矩模糊和几何混合不变量的图像配准方法.该方法首先利用Harris- Laplace算子检测出图像的特征点,然后构造Legendre矩混合不变量,并将其作为特征点的描述子获取特征点的对应关系,接着通过该对应关系估计图像间的形变参数,最后利用插值方法...     

基于网格的最小交叉熵算法在PET图像重建中的应用

基于内容的自适应三角形网格模型是描述图像的一种有效方法,本文将网格模型与最小交叉熵算法相结合,并加入先验解剖信息,用于PET图像重建.在本文提出的新算法中,先将投影数据用滤波反投影方法(FBP)生成参考图像,再对参考图像提取网格节点,用加入先验解剖信息的最小交叉熵算法对网格节点灰度值进行迭代计算,最后利用迭代后的网格节点灰度值对象素点进行插值得到重建后的图像.在仿真实验中,将该算法与最大似然方法(MLEM)等算法作比较,并分析了参数对重建结果的影响.     

采用光照不变特征改进支持权重快速立体匹配

为了确定同一场景在不同视点下图像点的对应关系,提出一种基于光照不变特征和改进型支持权重核的快速立体匹配。首先,稠密构造光照不变局部特征计算初始匹配代价;基于三次立方Tri-Cube权重核双通聚合得到稳健的匹配代价;采用优胜者全选法选择初始视差。然后,利用基于多方向邻域Tri-Cube权重核的双边滤波、遮挡检测和误码掩盖等策略实现视差智能修复。实验表明,该方法能产生较为满意的稠密视差图,计算费用低,能提高对光照变化的适应能力。     

融合RGB-D多模特征和半径边缘约束超限学习的动作识别

针对单模态特征鉴别行为动作类别的能力有限问题,提出基于RGB-D视频中多模态视觉特征融合和实例化多重核超限学习(Exemplars-MKL-ELM)的动作分类方法.首先,利用骨架表面拟合和密集轨迹提取稳健的密集运动姿态特征,以稠密点云法平面感知人体3维几何的稀疏化有向主成分直方图特征,提取外观纹理嵌入身体节点空-时邻域的三维梯度直方图特征.然后,采用半径边缘约束多重核超限学习机融合多模态视觉特征,并利用对比数据法挖掘每个行为类别的代表性实例集合.最后,每个样本结合融合视觉特征和即得实例集合,采用Exemplars-MKL-ELM模型和贪婪预测思想分层分类识别行为.实验表明,文中方法在分类准确度和计算效率上都较优.     

基于韦伯感知和导引滤波分层聚合快速立体图像匹配

该文利用韦伯定律和导引滤波提出基于代价分层聚合的快速立体匹配方法。首先提取立体图像对各彩色通道Weber描述符并初始化匹配代价。利用导引滤波增强匹配代价并提取视差候选;利用候选子集联合空间离散采样与自适应支持权重实现分层代价聚合;据此快速择优选取初始视差。视差求精中采用改进型双边滤波和对称映射后处理有效改善初始视差图中歧义区域。实验表明,该文方法能有效消除匹配歧义,获得分段平滑、高精度稠密视差;结构简单、快速高效且对光照变化具有鲁棒性。     

一种由粗至精的室内场景的空间布局估计方法

为有效标注室内场景的布局关系,提出一种由粗至精的空间布局估计方法.首先,采用局部不连续自适应阈值检测场景的长直线段,根据直线段的方向将其分为竖直和水平直线段;基于投票机制和正交准则估计垂直与水平消失点,由这两个消失点等角度间隔地引出成对射线生成场景候选布局.其次,采用VGG-16全卷积神经网络估计相应场景的几何上下文和信息化边界,采用softmax分类器决策其fc7层特征以获取布局类别,融合信息化边界和布局类别生成全局特征以粗选取场景候选布局.接着,基于VGG空间多尺度卷积神经网络估计相应场景的法向图和深度图以提取法向特征和深度特征.然后,利用消失点射线夹角参数化3D盒式布局模型,利用几何积分图聚集候选布局中的直线段成员、几何上下文、法向量和深度等区域级特征,采用割平面法学习结构化模型参数.最后,对候选布局的结构化预测得分进行排序,将得分最高者选取为最终空间布局.Hedau和LSUN数据集实验表明,该方法能获得空间布局的精准区域面划分个数和精确边界位置.     

基于正交矩模糊和仿射混合不变量的图像识别算法

为了识别含有模糊和仿射混合形变的图像,提出了一种新的基于正交矩模糊和仿射混合不变量的图像识别算法.该算法首先使用归一化方法构造了基于Legendre正交矩的仿射不变量,并结合Legendre正交矩的模糊不变量提出了Legendre正交矩的模糊和仿射混合不变量;然后将该混合不变量作为描述算子,将欧几里德范数作为分类尺度,以最近邻法则作为分类器,对图像进行识别.实验结果表明,与其他基于非正交矩的混合不变量相比,基于Legendre正交矩的模糊和仿射混合不变量在混合形变下能够获得更好的不变性,不会带来信息冗余问题,并且对噪声鲁棒性较好;此外,该图像识别算法比其他算法具有更高的识别率,特别是在图像含有较大噪声的情况下.