一种新的不基于Hough变换的随机椭圆检测算法

椭圆检测在模式识别领域中占据着非常重要的位置。常见的基于Hough变换的椭圆检测算法(如RHT算法)存在着占用大量存储空间及计算耗时等缺点。本文提出一种高效随机的椭圆检测算法(RED)。该算法不基于Hough变换,其原理是:首先从一幅图像中随机地挑选出6个点,并定义一个约束距离以确定在此图像中是否存在一个可能的椭圆;当可能椭圆确定之后,引入椭圆点收集过程以进一步确定可能椭圆是否是待检测的真实椭圆。通过对具有不同噪声的合成图像以及真实图像进行测试,结果表明RED算法在低噪声与适度噪声的情况下,速度明显快于RHT算法。     

一种随机多椭圆检测的快速算法

针对多椭圆检测问题提出了一种快速随机检测算法。该算法利用在图像中随机采样到的一个边缘点和局部搜索到的两个边缘点以及这三个点的邻域信息确定候选椭圆,再将候选椭圆变换为对应圆,通过确认真圆来确认真椭圆。在确定候选椭圆时,最大限度地减少随机采样点数﹑剔除更多的非椭圆点,降低了无效采样,减少了无效计算。数值实验结果表明：该算法具有良好的鲁棒性,其检测速度比同类算法快。     

结合边缘局部信息的FCM抗噪图像分割算法

针对传统FCM图像分割算法没有充分利用像素点的邻域关系与局部信息,导致算法对噪声敏感,不能准确地分割出弱边缘区域的问题,提出一种结合图像全局信息与边缘局部信息的分割算法.首先引入局部窗口变异系数和邻域灰度相似性2个概念重新设计模糊因子,使其能够更精确地衡量邻域点对中心点的影响程度,降低噪声对分割的影响;然后在分割结果的边缘上选取局部窗口,将边缘局部信息融入分割过程;最后在选取窗口中再分割,等同于在边缘处增加多个更符合局部信息的聚类中心来纠正被错误分类的像素点.实验结果表明,该算法能够有效地消除噪声对分割的影响,同时保留更多图像细节信息.     

面向惯性约束聚变实验靶图像的快速椭圆检测

目的：针对惯性约束核聚变实验中靶图像轮廓模糊、亮度不均匀等问题,并从提高图像处理实时性角度出发,提出了一种高可靠性和高精度的快速椭圆检测方法。方法：首先利用椭圆边缘点在它与圆心相连方向上具有较大灰度变化率这一特点,以预估中心点为极点建立极坐标系,通过从极点出发的射线上灰度变化率极值点搜索实现椭圆边缘点检测,极值点搜索在图像局部范围进行保证边缘点检测的有效性和实时性;其次利用基于RANSAC的自适应椭圆参数提取算法得到最终椭圆参数,该方法利用椭圆参数空间聚类分析选取最优椭圆参数,从而实现了一致样本集的自适应选择,保证了椭圆参数拟合精度的同时提高了算法的适应性和鲁棒性。结果：采用本文算法检测一幅图像的平均时间约为110ms,与常用椭圆检测方法相比检测速度有显著提高。结论：对比实验表明,本文提出的椭圆检测方法与其他方法相比具有更高的精度、更快的实时性和更强的鲁棒性。     

一种新的图像椒盐噪声的非线性滤波算法

为了在滤除椒盐噪声的同时能很好地保持图像的边缘细节,提出了一种新颖的图像椒盐噪声非线性滤波算法.利用局部统计信息,先将图像像素点分为信号点和可能的噪声点两类.然后将可能的噪声点进一步细分为边缘点、噪声点和信号点:利用方向信息、均方差来判断是否为边缘点,利用自适应阈值的方法来判断是否为噪声点,并且对边缘点和噪声点采取不同的方法进行滤波.经过仿真实验并与其它滤波算法进行比较表明,文中的算法具有更好的效果.     

一个使用显著边缘进行图像检索的算法

本文提出一个基于显著边缘的图像检索新算法.它首先使用"灌水"算法获取图像的边缘曲线,然后选择显著边缘来代表图像,每一条显著边缘由三个特征:叉点率、转动频率和角点率来刻画.图像之间的相似程度使用一个综合显著边缘匹配方法来度量.实验结果表明本文算法具有较高的检索准确率.     

改进的自适应中值滤波算法

自适应中值滤波算法能有效地滤除图像的脉冲噪声,但是,随着噪声密度的增大,算法的滤波性能递减.当前对中值滤波算法进行改进的算法,也存在着相应的局限性.针对中值滤波算法的局限性,提出了改进的自适应中值滤波算法.算法根据滤波窗口的灰度极值进行噪声检测.对噪声点,用滤波窗口的灰度中值代替.如果中值为噪声点,则自适应地增大滤波窗口以取新的中值.如果窗口增大到允许的最大尺寸时,中值依然为噪声点,则取滤波窗口中除灰度极值外的其他像素的灰度均值.对标准图像和医学图像进行仿真实验,实验结果和数据证明,随着噪声密度的增大,标准的自适应中值滤波算法的滤波性能递减;改进的自适应中值滤波算法的滤波性能依然良好,在有效滤除噪声的同时,很好地保持图像的边缘和细节部分.     

一种新的非参数变换定义及立体匹配方法

提出了一种基于邻域差值的非参数变换立体匹配方法.该非参数变换方法是在图像中选定一个点,然后再找到与这个点水平方向相隔一定距离的一点,以这两个点为中心各选取一个窗口,比较两个窗口中对应像素的灰度大小差异,以这个差异值取代原图像的像素灰度值,这样产生的一个新的图像就是本文方法变换后的图像.将左右图像经过这种变换后,求变换后左右图像上点的匹配来产生立体视差.实验表明,在同等条件下,尤其存在噪声时,该方法与非参数rank变换和census变换比较,能得到更为准确的视差.     

基于局部搜索的多椭圆随机检测算法

随机采样2个图像点后再分别在这2点相关的3条线段上搜索1个图像点。利用采样的2个图像点和搜索的3个图像点决定侯选椭圆。当采样和搜索图像点时,通过识别和剔除孤立、半连续噪声和不在同一个真椭圆上的图像点,显著地减少了无效采样及无效计算。在确认真椭圆时,文中方法将椭圆变换成对应圆,通过确认真圆来确认真椭圆并直接控制椭圆的检测精度。数值实验结果表明:该文算法在检测多个椭圆时的检测效率和鲁棒性等方面都具有良好的性能。     

椭圆窗口和参数自适应的非局部均值算法

对于传统的非局部均值(NLM)算法,方形搜索窗口会将大量低相似度的图像块引入去噪图像的加权平均计算过程中,导致去噪图像的细节轮廓变得模糊.针对此问题,提出了利用控制核函数来获取椭圆窗口和图像块参数的自适应NLM算法.首先,根据图像的局部梯度信息和结构张量获得可描述图像局部边缘结构的椭圆方程,并由此确定搜索窗口的形状,从而将搜索窗口的搜索范围限制在与图像局部结构相一致的区域内;然后采用控制核函数获得和搜索窗口形状一致的椭圆形图像块,并结合平滑参数自适应的思想进一步增强算法效果.通过在不同噪声等级的经典灰度图中进行实验,实验结果表明,该算法相比于传统NLM算法和参数自适应的NLM算法,在客观的图像评价指标上,有着更高的PSNR和SSIM值;而在主观视觉上,随着噪声等级的提升,该算法在抑制噪声的同时,能够更好地保留住图像的高频纹理信息.