基于矩和自适应阈值的迭代分割算法研究

基于自适应阈值的图像分割算法具有算法简单、易于实现且计算量小等优点.但对于有较复杂背景的小目标图像,单一运用此方法不能将目标从背景中分割出来.为了解决这个问题,提出了一种基于矩特征、角点特征以及自适应阈值的迭代分割方法.首先利用角点特征和矩特征选择目标区域,进而在该区域内计算自适应阈值,利用迭代的思想克服先前图像分割算法中阈值只选取一次的问题,从而得到较为满意的图像分割效果.仿真结果证明,提出的算法在飞机图像分割方面的优越性.     

自适应阈值的遥感影像角点提取算法

针对传统SUSAN角点提取算法中阈值选取的不确定性,提出了一种自适应分割阈值的SUSAN改进算法。首先采用SUSAN模板对图像进行模板计算得到梯度图,然后根据梯度图的灰度分布特征,采用图像分割方法的判断分析法和KSW熵方法对梯度图做分析处理,最终实现阈值的自动选取,正确提取出有价值的特征角点。试验结果表明,改进算法较之传统算法有明显优势,能准确有效地提取出角点,具有较强的适应性和应用价值。     

基于自适应阈值的ORB特征点提取算法研究

在弱纹理场景下,针对ORB算法提取特征点过程中,固定阈值检测FAST角点可能会导致提取效果不佳进而影响匹配精度,提出了自适应阈值的ORB特征点提取算法,通过图像灰度差值和像素分布概率来计算图像对比度,根据对比度动态计算角点检测阈值。然后根据动态阈值算法实现特征点的提取,采用暴力匹配算法和快速最近邻接匹配（FLANN）两种匹配算法,在EuRoc数据集上分别对比了ORB算法、SIFT算法与该算法的特征点匹配精度和耗时。结果表明,在匹配精度上比ORB算法提升了26.6%,比SIFT算法提升了32.7%。     

基于角度累加的鲁棒角点检测算法EI北大核心CSCD

为了更好地进行角点检测,提出一种基于角度累加的鲁棒角点检测算法.首先定义反映边缘点特征的角度累加概念,并在"单弦"下计算边缘点的角度累加值来获取候选角点,避免邻近角点的丢失;然后构造局部自适应阈值来去除圆形角点,并提出其支撑邻域和比例系数的选取方法;最后通过"多弦"下的角度累加乘积来获取角点特征值,并构造全局阈值来去除虚假角点.实验结果表明,该算法提高了角点检测正确率,并且在角点重复率及定位误差方面也优于其他算法.     

基于角度累加的鲁棒角点检测算法

为了更好地进行角点检测,提出一种基于角度累加的鲁棒角点检测算法.首先定义反映边缘点特征的角度累加概念,并在"单弦"下计算边缘点的角度累加值来获取候选角点,避免邻近角点的丢失;然后构造局部自适应阈值来去除圆形角点,并提出其支撑邻域和比例系数的选取方法;最后通过"多弦"下的角度累加乘积来获取角点特征值,并构造全局阈值来去除虚假角点.实验结果表明,该算法提高了角点检测正确率,并且在角点重复率及定位误差方面也优于其他算法.     

曲率尺度空间与链码方向统计的角点检测

针对曲率尺度空间角点检测中,由于选择的尺度不同,会造成角点的漏检测,以及检测到错误角点的问题。提出一种基于曲率尺度空间与链码方向统计的角点检测方法。首先在较低的曲率尺度空间上检测出候选角点集;再通过自适应阈值及链码方向统计的方法删除错误角点。该方法采用较低的曲率尺度可检测出更多的角点,降低了角点漏检测率;通过计算椭圆角点自适应阈值可删除椭圆角点;采用Freeman链码方向统计可剔除伪角点;从而提高角点检测精度。通过实验充分验证了本文提出的角点检测算法比其他角点检测算法具有的高效性和准确性。     

图像边缘轮廓自适应阈值的角点检测算法

目的 基于边缘轮廓的角点检测算法的检测性能虽然相对比较稳定,但是它对边缘轮廓的局部变化敏感,并且只是给予一个经验门限去提取角点,为此提出一种对局部变化和噪声稳健的基于图像边缘轮廓自适应阈值的角点检测算法。方法 该算法利用各向异性高斯方向导数滤波器对不同边缘和角点模型进行表征,提取表征边缘和角点的灰度及几何变化的不变属性,并通过正则化计算得到区别边缘和角点的自适应阈值。该算法首先利用Canny边缘检测器检测输入图像的边缘映射并从边缘映射中提取出边缘轮廓;然后利用各向异性高斯方向导数滤波器对所提取出的边缘曲线进行滤波平滑,计算出每一像素点的响应并与自适应阈值作比较,把响应大于阈值的点作为候选角点;最后,对候选角点进行非极大值抑制得到最终角点集。结果 提出的算法分别与Harris算法,He & Yung算法,以及ANDDs算法在仿射变换和高斯噪声的实验环境下进行比较,其性能指标为平均重复率与定位误差;并且对每个角点检测算法在无噪声和有噪声的情况下进行了角点匹配比较。4种算法的两个指标的平均排名为Harris 3.375,He &Yung 2.625,ANDDs 2.625,本文算法 1.375。本文算法在仿射变换以及高斯噪声的情况下有着良好的平均重复率和定位误差,优于其他3种算法。匹配实验中的错误点以及丢失点也少于其他3种算法。结论 图像的特征检测在计算机视觉领域是一个重要的课题,在许多视觉系统中,检测特征往往作为复杂计算的第1步。因此,这一步的可靠性会极大地影响着视觉系统整体的结果。而角点作为图像的重要特征,对其研究具有重大意义。本文算法不同于传统的基于边缘的角点检测器仅利用边缘轮廓的信息,还利用到图像边缘像素的灰度信息。而且,本文算法还采用一个自适应全局阈值,避免了角点的误判。正则化的灰度变化有效减少了噪声或者光照对检测性能的影响。通过角点匹配实验、仿射变换实验以及高斯噪声实验,可以看出,本文的角点检测器拥有良好的检测性能,并且对噪声具有稳健性。     

一种快速自适应的角点检测算法

基于SUSAN原则提出了一种新的快速自适应角点检测算法,在几个方面进行了改进:以局部自适应阈值代替整个图像的固定阈值,提高了算法的自动处理能力;改进了响应函数,仅通过扫描模板边缘像素获取更多的角点信息,也简化了计算步骤;通过预处理,逐步缩小候选角点的搜索范围.实验证明,这是一种快速有效的角点检测方法.     

线搜索式角点检测方法的参数自适应设计

针对线搜索式角点检测方法存在全局固定阈值对实际图像的光线不均匀等不良现象适应性不足的问题,提出了有关参数自适应的设计方法.在原角点检测基本方法的基础上,首先根据局部区域的对比度信息,设计了同值收缩核(USAN)阈值的自适应动态产生方法.其次,给出了高斯去噪的实施建议,以提高线搜索式角点检测方法的抗噪性能,并给出了其他参数值的动态取值建议.实验结果表明,在本文的参数自适应设计方法下,线搜索式角点检测变得更为实用方便,比原固定阈值的基本方法更能适应光线不均匀现象,对于内容、品质差异较大的图像无需频繁调整参数,仍能保持很高的正检率水平,同时伪响应也处于可接受的水平.     

基于高斯变换的多尺度SUSAN角点检测方法

针对传统SUSAN算子只能在单一尺度下检测图像中角点的不足,提出一种基于高斯变换的多尺度SUSAN角点检测方法。该方法利用高斯变换获得待检测图像的多尺度分层图像,以构建高斯金字塔,结合自适应阈值的SUSAN算子检测出不同尺度下的角点作为候选角点,将其还原到原始图像中的相应位置构成候选角点集,在候选角点集中经小邻域信息筛选获得最终角点。实验结果表明,该方法不仅能够在不同尺度下有效获取有用的角点信息,而且提高SUSAN算子正确率的同时,降低了角点的伪检率。