基于边缘的实时图像缩放算法研究

传统的基于图像边缘的插值算法由于自身的复杂性而很少用于实时图像处理,而不基于边缘的插值算法由于低通滤波的效应通常会使插值后的图像出现边缘模糊,影响视觉效果。针对上述问题,提出了一种基于边缘的自适应图像插值算法。该算法以相邻像素的二阶差分为基础,自动选择与目标像素点相对应的源像素组进行插值运算。在Matlab环境中实现了各种图像插值算法,然后对插值结果进行了主客观评价,并对各种算法获得的图像进行了边缘检测及复杂度分析。同时,设计了本文算法的硬件实现结构,并用Verilog语言进行描述,综合出目标代码,最后通过FPGA验证。研究表明,运用该算法插值获得了边缘清晰的目标图像,且该算法复杂度低,便于硬件实现。因此,该算法能有效地实现图像插值,适应于实时条件下的图像缩放。     

Seam Carving和显著性分析的图像缩放方法研究

提出一种基于Seam Carving和显著性分析相结合的图像缩放方法。通过不断移除（插入）缝合线来实现对图像尺寸的缩小（放大）。通过研究Seam Carving在图像缩放及目标保留移除中存在的问题,已有的基于像素点计算图像能量函数的方法会对某些图像失效,提出一种基于显著性区域求解图像能量函数的SDRS方法。实验结果表明,Seam Carving方法对自然图像的处理能够达到令人满意的效果。Seam Carving方法和SDRS方法的结合,也是一个创新点。     

结合显著性和边缘信息的水平集图像分割方法

针对 LBF 模型对初始轮廓的依赖性和对边缘的弱控制能力,研究了一种结合显著性和边缘信息 的水平集图像分割方法。首先,结合小波分析理论,基于视觉注意机制构造图像显著图;然后,利用小波分解 所描述的图像边缘信息,构造边缘检测函数,同自适应初始轮廓一起引入到 LBF 水平集模型中,并用有限差 分法进行数值求解。实验结果表明,提出的图像分割方法能有效降低初始轮廓位置对活动轮廓模型的影响,对 合成图像、自然图像均有较好的分割结果,相较于其他传统方法具有更高的演化效率和分割质量。     

显著性边缘引导下的图像抽象化

针对已有的图像抽象化算法难以反映显著性边缘信息的不足,提出了一个显著性边缘引导下的基于能量优化的图像抽象化算法.对于给定的输入图像,首先基于边缘信息传递策略来提取图像的显著性边缘图,从而有效地减少了不连续边缘的产生;然后,为了在增强显著性边缘的同时抑制杂乱细节信息,根据显著性边缘图来构建图像的期望梯度场;最后,在图像颜色信息和期望梯度场的约束之下,通过能量优化来获得图像的抽象化效果.实验结果表明,本文算法在显著性边缘的连续性保持上表现出明显的优势,具有很好的科学研究价值及实际应用前景.     

复杂性算法在图像景深扩展中的应用研究

由于光学系统受景深小的物理性能限制,对纵向变化范围较大的物体,所拍图片为局部清晰。利用Kolmogorov复杂性测度来度量不同聚焦层面形成的序列图像中对象的局部清晰程度,将序列图像聚焦清晰的部分提取并合并出一幅全清晰图像,实现景深扩展,得到清晰的全景深图像。实验证明,将复杂性测度应用于景深扩展,具有广泛的应用前景。     

基于边缘检测的保特征的图像缩放算法

针对Seam Carving算法在实现图像缩放的过程中,对图像边缘几何特征造成破坏的现象,提出一种基于边缘检测的改进Seam Carving算法。首先在Seam Carving算法计算低能量线的同时引入图像边缘检测,其次确定低能量线与边缘的交点,进而提升交点邻域的能量,分散过于集中的低能量线。仿真实验结果表明,该算法能够有效减少Seam Carving算法缩放图像后产生的畸变,很好地保持了图像的重要几何特征。     

模糊边缘检测算法在储粮害虫图像中的应用

介绍了基于机器视觉的储粮害虫检测方法．论述了粮虫图像边缘检测是该方法的关键。对Roberts算子和Sobel算子在粮虫图像边缘检测中的应用作了简要介绍。在此基础上，文中提出了一种基于模糊理论的边缘检测方法。计算表明，该方法对粮虫图像边缘检测的效果较好。     

保持边缘特征和增强对比度的图像缩放算法

图像的边缘信息和对比度是影响人体视觉的最主要因素。提出一种能够同时保持边缘特征和增强对比度的图像缩放新方法。通过边缘检测算法、边缘梯度增强以及梯度图的低通滤波算法,得到新的梯度图,再通过求解泊松方程得到重建的图像。由于对图像边缘作了特殊处理,从而避免在图像缩放过程中丢失边缘信息。该方法可以同时保持特征以及增加图像的对比度,从而更好地展现图像的细节。实验结果表明,本文方法能应用于一般图像和医学图像的缩放和增强等应用中。     

图像检索系统中的缩放功能

图像检索系统是用户导向的。根据用户意图的不同,检索结果的离散度对用户的体验有着不同的影响。一些情况下,用户希望得到的是“类而不同”的结果。当前以关键字为基础的检索系统并不能很好地捕捉到用户的意图。因此,新的交互内容——缩放比例被引入检索系统,以消除用户的意图与检索结果离散度之间的隔阂,使用户根据自己的意图直接调整检索的结果。首先得到检索系统返回的图像,之后计算图像间的视觉与语义的相似度,再利用层次聚类得到聚类树,最后通过得到用户直接调节的缩放比例,来控制聚类树展开与否。对于每棵展开的子树,选择在原检索结果中拥有最小索引值的节点作为代表。     

结合显著性的主动轮廓图像分割

传统的主动轮廓方法无法突出分割区域的显著性,同时在由显著性检测算法所得到的显著图中目标具有较高的信噪比,因此提出结合显著性的主动轮廓图像分割.通过线性光谱聚类分割得到超像素,以超像素为处理单位利用基于图论的流形排序算法获得较好的显著图;将高斯混合模型引入到主动轮廓的曲线演化过程中,计算曲线内外的平均灰度值,从而通过高斯...     

一种基于边缘算子的自适应图像缩放算法

本文算法将像素点自适应分为边缘和非边缘区域,对边缘区域的像素点,确定出边缘点的梯度方向和边缘线方向.对边缘线上的点,采用线性插值;对边缘区域梯度方向的点,采用最近邻域插值法;对其他情形的像素点,采用双线性插值.MATLAB仿真环境实验结果表明:该算法提高了边缘及插值方向检测的准确性,与传统的Bilinear、Cubic...     

模糊边缘检测在机器视觉图像系统仿真研究

研究图像优化问题,针对精确定位边缘和抑制噪声,视觉图像中最重要的是进行边缘检测,用于轮廓抽取、特征检测和纹理分析.传统的Pal.King增强算法在速度和检测效果等方面存在缺陷,提出了一种新的检测算法,算法简化了Pal.King复杂的变换和逆变换.先通过阈值来定义一个新的隶属函数将原始图像映射到模糊特征平面,利用模糊增强处理来提高区域之间的层次,加强边缘两侧的对比度,最后根据-定的判别准则提取出图像的边缘.实验结果表明,改进算法提高了运算效率,而且提取的边缘比较精细.新算法中具有唯-的参数且可以自动确定,保证了算法的自适应性.     

结合区域协方差分析的图像显著性检测

目的 图像显著性检测的目的是为了获得高质量的能够反映图像不同区域显著性程度的显著图,利用图像显著图可以快速有效地处理图像中的视觉显著区域。图像的区域协方差分析将图像块的多维特征信息表述为一个协方差矩阵,并用协方差距离来度量两个图像块特征信息的差异大小。结合区域协方差分析,提出一种新的图像显著性检测方法。方法 该方法首先将输入的图像进行超像素分割预处理;然后基于像素块的区域协方差距离计算像素块的显著度;最后对像素块进行上采样用以计算图像像素点的显著度。结果 利用本文显著性检测方法对THUS10000数据集上随机选取的200幅图像进行了显著性检测并与4种不同方法进行了对比,本文方法估计得到的显著性检测结果更接近人工标定效果,尤其是对具有复杂背景的图像以及前背景颜色接近的图像均能达到较好的检测效果。结论 本文方法将图像像素点信息和像素块信息相结合,避免了单个噪声像素点引起图像显著性检测的不准确性,提高了检测精确度;同时,利用协方差矩阵来表示图像特征信息,避免了特征点的数量、顺序、光照等对显著性检测的影响。该方法可以很好地应用到显著目标提取和图像分割应用中。     

结合美学原则的内容感知图像缩放算法

针对目前内容感知的图像缩放算法存在美学效果考虑不足的问题,提出一种结合美学原则的缩放算法。算法首先采用图像协同分割的思想并结合视觉显著性检测获取图像的重要度图,以此作为图像重要内容的依据,在后续处理中防止其变形;其次针对移动终端常见的两类图像分别选择相适应的美学原则并建立其量化公式;借鉴经典的Seam Carving算法思想,利用美学构图原则和重要度图来指导裁剪线的复制与删除,达到图像缩放的效果。实验结果表明,与同类算法相比,该算法的缩放结果在保留原图重要信息的条件下,更具美感。     

遥感图像的模糊边缘检测技术

本文结合遥感图像的实际背景，给出了可用于操作实施的模糊边缘检测数学模型和算法。     

基于模糊理论的图像边缘检测

讨论了模糊理论在边缘检测中的应用,并给出了一种基于模糊理论的改进方法。实验结果表明,该算法不需要加额外的滤波器或图像降噪预处理,在抗噪性能方面明显优于其它方法。     

图像缩放的秘密

图像缩放,在数字图像处理甚至日常生活中再平常不过,特别是随着Photoshop、ACDSee一类专业图像处理软件的普及,任何一个浏览过网页的人即使没有操作图像缩放,但一定看过缩放后的图像。图像缩放虽然如此平常,在一些专业软件的操作中又是非常的简单,但它真的如你所想那么简单吗？     

图像模糊边缘检测算法的改进

边缘检测是图像处理的重要内容之一,从算法速度和检测效果等方面分析了Pal.King模糊边缘检测算法的缺陷,提出一种新的快速模糊边缘检测算法,利用遗传算法确定模糊增强变换中最佳隶属度阈值,采用简单的隶属函数,提高了算法速度,优化了传统的边缘检测,避免使用单一算子检测边缘强度较弱的缺点,给出了利用该算法的Lena图像边缘检测实验。仿真结果表明,该算法检测边缘能力较强且提取边缘较精细,是一种实用高效的边缘检测算法。     

显著性特征保持的点云模型缩放

为了对现有三维模型的尺寸进行自适应调整以满足具体应用的需求,提出一种基于能量线抽取的显著性特征保持的点云模型缩放算法.首先为输入点云模型指定上、下边界线,并采用距离演化方法在模型上计算出从上边界线到下边界线的距离场;然后依据曲面的局部显著性特征,采用动态规划算法计算出模型的能量场,根据能量场计算一条从上边界到下边界的最小能量曲线;最后将最小能量曲线上的点从模型中删除,并局部拼接完成模型的一次缩放.重复上述步骤,直至模型的尺寸符合要求.实验结果表明,该算法在达到缩放目的的同时既能较好地保护模型的显著区域,又能有效地解决现有方法在模型缩放过程中出现某些部分分辨率过高,导致产生视觉不自然甚至失真现象.     

结合边缘特征先验引导的深度卷积显著性检测

针对当前基于深度学习的显著性检测算法缺少利用先验特征和边缘信息，且在复杂场景中难以检测出鲁棒性强的显著性区域的问题，提出了一种结合边缘特征，利用先验信息引导的全卷积神经网络显著性检测算法。该算法利用三种被经常用到的先验知识结合边缘信息形成先验图，通过注意力机制将提取的先验特征与深度特征有效融合，最终通过提出的循环卷积反馈优化策略迭代地学习改进显著性区域，从而产生更可靠的最终显著图预测。经过实验定性定量分析，对比证明了算法的可靠性。