一种改进的联合点特征与灰度特征的红外图像配准算法研究

在研究红外图像成像原理与特征、传统红外图像配准方法的基础上,提出了一种改进的联合点特征与灰度特征的红外图像配准算法。首先采用经典的Harris角点检测算法提取一次角点,在一次角点的基础上对其进行下降排序,对排序结果进行不同份数的等分并提取每一部分的中间值,最后根据图像配准需求有效利用中值选择不同的特征点;该算法充分利用环形区域的旋转不变性和特征点区域灰度差异性很小的原则进行特征点匹配。实验结果表明该算法能够提取出更加精确的匹配点,能够有效的完成红外图像配准。     

一种分块的基于Harris角点检测的图像配准方法

传统的Harris角点检测选用全局的阈值并且不具有尺度不变性,对于较大的图像会导致检测的角点分布不均、错检等问题,为此提出一种新的基于多尺度的Harris角点检测的图像配准方法。首先将图像分块,并对其进行相应排序,根据局部阈值来提取Harris角点,然后根据图像特征点的最邻近和次邻近距离之比来确定初始匹配,最后利用特征点附近的灰度信息来实现进一步的配准。实验证明此方法使得图像配准精度和配准效率得到了极大地提高。     

一种快速自适应的Harris角点检测方法研究

Harris角点检测算法在图像处理中使用非常广泛,有着较高检测率,但算法运算量比较大,实时性不高.同时,该算法无法设置通用阈值处理不同图像.针对这些问题,提出一种快速自适应Harris角点检测算法.该算法先使用Fast算法,对图像进行预筛选,再使用Harris算法,并构造自适应阈值.实验结果表明,该算法可以有效克服阈值选择不当造成的角点冗余或丢失,并可大幅减少运算量.     

基于模板边缘的自适应Harris角点检测算法

针对传统Harris算法检测的角点出现聚簇、伪角点以及阈值人为设定的问题,提出一种基于模板边缘的自适应Harris算法。首先,利用局部区域的思想检测出图像中的潜在角点区域;然后,对潜在角点区域利用改进的自适应阈值Harris算法进行角点提取;最后,提出模板边缘的思想,构造一个新的圆形模板,通过评估中心点与模板边缘像素点邻域的灰度变化情况,对提取的角点进行提纯,过滤掉伪角点,得到最终检测结果。实验结果表明,该方法在计算效率上比Harris算法提高了32.8%,在实际应用中具有较高的精确度和鲁棒性。     

一种红外图像自适应对比度增强算法

针对红外图像灰度分布集中、对比度低的特征,提出一种自适应对比度增强算法.首先,通过统计灰度分布判断目标状态类型;其次,利用目标状态更新图像增强系数;最后,根据增强系数进行灰度去冗余均衡处理.与传统直方图均衡相比,算法能根据目标强弱状态自适应调整对比度.实验表明,它在增强目标对比度的同时有效保留了图像整体信息,较好改善了视觉效果.     

一种改进的Harris角点检测的图像配准方法

针对在传统的Harris角点检测过程中,手动输入单个阈值可能出现角点聚簇、伪角点等现象,提出了一种改进的Harris角点检测方法的图像配准方法。首先,将图像分割成3×3个无重叠子图,根据每个子图的对比度的大小,来设置每个子图的阈值。然后,采用NCC算法对检测出的角点进行粗匹配。最后,采用RANSAC算法对粗匹配中误匹配点对进行剔除。实验表明:该算法使得检测的角点分布比较均匀,并在图像配准中有效地增加图像匹配点对数,具有良好的实用性。     

一种新的红外图像自适应增强算法

针对红外热图像普遍存在的目标与背景对比度差、边缘模糊等特点,提出了一种新的红外图像自适应增强算法.通过自适应地选择平台阈值,对红外图像进行平台直方图均衡化,有效抑制了背景的过度增强,避免目标灰度级的过多合并,提升了目标的灰度空间,获得了很好的增强效果.实验结果表明,本算法优于直方图均衡化算法,可有效地突出红外目标.     

结合自适应阈值与Forstner的Harris角点匹配优化算法

针对传统Harris角点检测效率低、非极大值引起的伪角点多等问题,提出了一种自适应阈值和归一化互相关（NCC）与随机抽样一致算法（RANSAC）相结合的Harris图像匹配算法。首先,采用自适应方式抑制非极大值的方法对角点进行预筛选;其次,采用Forstner算子对角点进行二次筛选;接着采用归一化互相关匹配算法对检测的Harris角点进行粗匹配;最后采用随机抽样一致算法对图像进行精确匹配。实验结果证明改进的方法不仅缩短了角点检测和图像匹配时间,而且能有效提高图像的匹配精度。     

检测图像角点自适应确定跟踪模板的方法

基于区域的跟踪方法,其跟踪模板的大小和位置对跟踪结果的影响十分显著,本文通过分析模板视觉显著性特征,提出采用AGAST快速角点检测方法,计算角点间相对距离,分析角点位置分布来自适应确定模板大小和位置,从而提高相关匹配跟踪算法的适应能力.仿真试验结果表明,该方法确定的模板能较好的包含目标显著性视觉特征,并且具有计算速度快,稳健性高,能有效提高采用区域模板匹配方法的跟踪性能.     

一种用于消除红外图像噪声的自适应加权滤波算法

针对带有高斯噪声和椒盐噪声两种混合噪声的红外图像,提出了一种自适应加权混合去噪算法。该算法首先通过邻域像素的灰度差值来判断像素噪声的类别,然后对高斯噪声采用自适应加权均值滤波法滤除,对椒盐噪声采用自适应加权中值滤波算法滤除。实验表明,该方法优于传统均值滤波算法和中值滤波算法,能同时消除混合噪声,并具有较好的保护图像细节的能力。     

基于滑动窗口的自适应角点检测研究

基于边界曲线的角点检测算法存在离散化误差较大，角点定位精度差等缺陷，本文提出了基于曲率的自适应角点检测算法，设计了滑动窗口自适应策略，并用于边界点局部支持领域的选择，克服了以往局部支持域不变的缺陷；在滑动窗口的基础上提出了基于特征向量夹角的曲率计算方法，从而根据曲率值进行角点的提取。本角点检测算法能对角点进行精确定位，易于实现，仿真结果验证了本算法的可行性与优越性。     

基于Harris角点和质量评价的图像篡改检测

复制粘贴是图像篡改的常用手段,经典伪造检测方法将所有重叠图像块作为检测区域,算法时间复杂度高,邻近区域误检率大.为解决以上问题,提出将扩展Harris角点作为检测区域以降低算法复杂度.由于图像经过复制粘贴检测后往往会进行模糊、添加杂色、色彩调整等后处理,使得图像质量下降,本文结合NR图像质量评价给出更为准确的检测结果.实验证明本文算法对经过模糊、添加杂色、JPEG压缩等后处理的复制粘贴图像检测效率高,检测效果好.     

基于Harris算法的自适应双极性红外舰船目标检测

红外舰船目标检测是舰船目标自动识别与跟踪的关键技术之一。针对现有方法在舰船目标成像灰度呈现"双极性"(舰船亮度高于或低于背景)或多极性(舰船目标灰度分布不均匀)的情况下适应能力不足,提出了一种新的红外舰船目标检测方法。为抑制海空杂波干扰提高检测概率,对图像进行均值漂移滤波,利用行垂直方向梯度投影获得感兴趣区域,通过检测区域内目标角点实现舰船目标的自动检测。实验结果表明,该算法能够克服传统算法基于舰船亮度高于背景的假设,在舰船灰度呈现双极性或多级性的情况下获得较好的检测结果。     

基于环境差异度的自适应角点匹配算法*

基于图像灰度梯度提取的Harris角点,由于角点近邻处其灰度梯度的对比度不明显而造成检测定位偏差,从而导致角点的误匹配率的提高.针对该现象提出了一种“虚影点”改进,同时引入环境差异度作为评判原则,自适应调整角点间的竞争机制的残酷度,结合奇异值分解最终达到优胜劣汰的匹配效果.实验证明,该算法在不影响角点匹配速度的情况下,与其他算法相比对角点的匹配精度有很大的改善.     

一种双边核函数的新Harris角点检测算法

针对目前Harris算法存在的对噪声敏感和检测率不高的不足,提出一种双边核函数的新Harris角点检测算法.算法首先采用双边滤波器来代替原有的高斯低通滤波器,来增强算法的鲁棒性;接着采用多尺度分解来建立真实角点和伪角点的分割阈值.实验结果表明,提出的算法能精确地检测图像角点.     

基于场景复杂度计算的红外图像平台直方图均衡

直方图均衡类算法由于缺乏限制项,增强后的红外图像易出现灰度级合并和过增强,视觉效果不佳。为解决上述问题,提出基于场景复杂度限制型的平台直方图均衡算法。该算法首先提出对图像场景复杂度进行估计,并将Harris角点数量作为图像复杂度评价依据。然后建立类似sigmoid函数的图像复杂度评价函数,将场景复杂度标准化。最后综合考虑图像复杂度和防止原图均值漂移,依据平台直方图均衡原理获取全局变换函数,重建红外图像。实验结果表明：该方法可有效地依据不同场景实现红外图像增强,不出现过增强和噪声放大。客观评价指标表明,该方法在保持图像均值亮度和图像信息熵方面表现优异。     

红外偏振图像的仿真

为了在获得真实偏振图像之前获得偏振图像,采用仿真的方法进行了实验研究,即先通过实验获得各种物体的偏振度建立一个偏振数据库并进行理论研究论证,再利用K-均值聚类算法对红外图像中的物体进行聚类,最后将聚类后的图像通过计算得到偏振图像。结果表明,得到的仿真偏振图像效果很明显,能够很好地区分人造物和自然物,从而验证了仿真算法的可行性。图像仿真对于更好、更方便地研究物体的偏振特性和建立偏振数据库有着非常重要的意义。     

动态红外图像仿真研究

本文研究了飞机目标动态红外图像仿真技术。分析了飞机目标红外辐射特性,包括发动机、尾焰、尾喷口及飞机蒙皮的辐射计算方法。应用LOWTRA7软件包进行了目标和背景的动态图像仿真计算,可以为制导和火力控制提供仿真的红外动态图像。