基于图像的高度测量方法

文中提出了一种基于单幅图像的高度测量方法。该方法首先根据单幅图像提供的一些几何信息——地平面(或者是与地平面平行的平面)上两对不同方向的平行线和竖直方向的一对平行线——在图像上求得地平面的消影线和竖直方向的消影点；然后，用一个已知的参考高度来确定高度测量方程中的比例因子α；最后只要输入待测高度的端点坐标就可以获得该高度的实际值。经实验验证，该方法简单有效，实用性强。     

一种基于平面消影点的摄像机定标方法

摄像机定标是计算机视觉中一个非常重要的问题.对CCD/INS复合末制导系统中摄像机定标问题进行了研究.文中介绍了一种基于平面消影点的摄像机定标方法.该方法从消影点的基本性质和方形平面模板的几何特征出发,推导并证明了正交消影点之间的约束关系式,从这个正交约束中可以解析地求出摄像机的有效焦距.消影点从3D-2D的对应点坐标中解算求得,相比于图像处理方法具有更好的抗干扰性.方法原理简单、实现方便,仿真实验和真实图像实验结果均验证了该方法的有效性.     

基于比特平面分解的图像消噪方法

灰度图像消噪方法一般是借助于图像的平滑处理技术如均值、中值消噪、数学形态学消噪.这些常规消噪方法都是在空间域对像素的邻域进行某种平滑或积分处理,反映到频域就是在图象的高频区域进行分量抑制或衰减,从而不可避免地导致图像轮廓或边缘区域变得模糊.基于比特平面分解的图像消噪方法,是依据分解所得的各比特平面对原图像边缘信息的贡献,并不对高位的比特平面进行平滑消噪,使得消噪后图像的轮廓或边缘的清晰度较常规平滑消噪有所改善.     

基于单幅图像的三维建筑物交互累进式建模

基于单幅建筑物图像,提出一种以简单交互方式累进式重建三维建筑物场景的方法.在以单幅建筑物图像为背景的画布上,用户首先标记建筑物的2个基面并对输入图像进行校正预处理,校正过程中充分利用透视图像中的平行线交于同一个图像消影点的特点,由射影变换快速消除建筑物图像中的透视失真并恢复建筑物图像中的线条平行关系;然后在经校正处理后的图像上描绘建筑物基本轮廓线条,系统自动查找轮廓线条平行垂直关系,利用二维线画图中各线条的平行、垂直及顶点共面关系作为约束建立能量函数计算线画图中所有顶点的深度值,并根据结构对称性特点完善建筑物模型几何结构,生成建筑物场景的粗糙模型;最后利用建筑物图像呈现的精细细节结构和其与建筑物粗糙模型主体结构的几何位置关系确定细节结构顶点的深度值,并根据输入图像中可见部分纹理信息进一步合成建筑物表面纹理,得到精细真实的三维建筑物模型.实验结果表明,该方法能够方便、高效地重建输入图像中的建筑物场景,并且具有较强的真实感.     

一种平面物体射影不变性识别方法

提出一种基于方向可变滤波器的平面物体射影不变性识别方法。该方法首先利用方向可变滤波器检测出平面物体的边缘方向特征,从单幅图像中提取平面物体在射影变化下的不变特征,建立经典框架,然后用填充经典框架图像的矩识别物体。该方法是图像局部识别方法,允许景物中有部分的遮挡物存在。     

利用图像中的消失点描述平面直线关系

在三维计算机视觉中,消失点和消失线扮演着极其重要的角色.在此利用场景中常见的平行线和正交线的特点,通过绝对二次曲线图像和消失点的计算,测量场景中其他几何结构的关系.该方法不需要摄像机事先标定.实验表明,在单幅图像中该方法所得结果可以作为一个较好的估计值,在2幅图像中所得结果则较为精确.因此在图像测量中该方法有着一定的实用价值.     

基于深度学习的单幅图像超分辨率重建综述

单幅图像超分辨率SISR重建指从单幅低分辨率图像恢复出高分辨率图像.深度学习方法越来越多地用于图像超分辨重建领域,由于深度网络模型可以自主学习低分辨率图像到高分辨率图像之间的映射关系,与传统方法相比在该领域展现出了更好的重建效果,因而基于深度学习的方法已经成为目前图像超分辨率重建领域的主流方向.围绕现有的超分辨深度网络...     

FAIDA:一种快速精确的图像消冗方法

重复数据删除能够有效地提高存储利用率,现已在备份、归档系统中得到良好应用.然而这种基于比特流的Hash匹配策略对很多应用来说过于严格,例如重复图像删除.为了解决该问题,提出了一种快速精确的图像消冗方法.该方法首先根据Web图像特点给出重复图像定义,然后将图像消冗分为两个阶段.在重复图像发现阶段利用感知Hash等多重过滤技术提高图像检索速度和精度,在重复图像消冗阶段利用模糊逻辑推理选取质心图像以实现消冗.实验结果表明,该方法不仅具有快速、精确的重复图像消冗能力,而且在质心图像的选择上也能满足用户的感知要求.     

全局和局部结构内容自适应正则化的单幅图像超分辨模型

目的 基于正则化的重建是单幅图像超分辨的重要方法之一.其中,如何构造合适的图像先验,增强超分辨重建过程中的边缘和纹理保持能力是该类方法的关键.提出一个全局和局部结构内容自适应正则化的单幅图像超分辨模型.方法 该模型综合了图像梯度的全局非高斯性和局部结构方向自适应回归特性.首先,利用广义高斯分布拟合图像梯度模的重尾特性,由最大后验概率框架构造了图像全局内容感知的lα(0＜α＜1)范数稀疏性度量;然后,利用图像局部内容的各向异性相关性,给出基于Geman-McClure(GM)权函数加权的局部结构方向自适应回归先验;最后利用半二次惩罚和变量分裂法,设计了该优化模型快速求解的超分辨算法.结果 实验结果表明:在客观评价上,本文方法在峰值信噪比与结构相似度两方面优于现有的一些超分辨方法,在主观视觉效果上,能够很好的恢复图像的纹理细节和边缘信息.结论 基于全局和局部结构内容自适应正则化的单幅图像超分辨方法在保持图像边缘和恢复图像纹理细节方面取得较好的重建性能.     

基于深度学习的单幅图像超分辨率重建算法综述

单幅图像超分辨率(Single image super-resolution, SISR)重建是计算机视觉领域上的一个重要问题, 在安防视频监控、飞机航拍以及卫星遥感等方面具有重要的研究意义和应用价值. 近年来, 深度学习在图像分类、检测、识别等诸多领域中取得了突破性进展, 也推动着图像超分辨率重建技术的发展. 本文首先介绍单幅图像超分辨率重建的常用公共图像数据集; 然后, 重点阐述基于深度学习的单幅图像超分辨率重建方向的创新与进展; 最后, 讨论了单幅图像超分辨率重建方向上存在的困难和挑战, 并对未来的发展趋势进行了思考与展望.