改进的多尺度Harris角点检测算法

为提高图像中角点检测的准确性,以及对图像噪声的抗干扰性,提出了一种多尺度Harris角点检测算法。该算法首先对图像进行多次高斯平滑,对每次平滑后的图像进行Harris角点检测,获得角点信息;而后,利用真实角点比噪声更稳定的特性,通过统计不同尺度下获得的角点信息,最终提取到真实的角点。实验证明,对于包含大量噪声的图像,提出的多尺度Harris角点检测算法仍能够准确的提取到真实的角点。     

一种改进的图像快速高精度角点检测算法

针对传统的图像角点检测方法精度不高、速度较慢的情况,为提高速度抑制噪声,提出了一种快速、高精度的图像角点检测算法.利用改进的Harris算法提取出候选角点,再通过USAN区域所对应的弧的像元灰度与角点的相似性来完成最终角点的提取,使得处理的数据大为减少,同时能保证检测准确性等其他指标.通过和SUSAN算法、Harris...     

基于Canny算子和Harris角点提取的三维重建方法

本文介绍了一种基于Canny算子边缘提取和Harris角点提取的三维重建方法.通过双目相机获取所研究物体的左右视图,并对图像进行平滑去噪处理,将Canny算子边缘检测和Harris角点提取结合起来进行特征提取,以提高特征点选取的准确性,然后将左右视图的特征点进行立体匹配,计算匹配点的三维坐标值,最后使用经典Delaun...     

Harris角点提取实现亚像素级摄像机自标定

在摄像机自标定过程中,可根据Harris的检测算法提取对角点.该算法简单有效,非常稳定.在图像旋转、灰度、噪声影响和视点变换的条件下.与其他算子相比,是最稳定的一种点特征提取算子.为了获得亚像素级的角点坐标.需要引入迭代算法进行优化.试验证明该方法可大幅度提高摄像机的标定精度.     

基于FPGA的图像多尺度特征点提取及匹配

对于图像的多尺度特征点提取及匹配存在提取特征有限、算法复杂度高、处理速度慢的问题,提出了一种利用多尺度Harris角点方法提取图像中物体边界特征点,采用二维高斯拉普拉斯算子检测图像斑点信号,并基于SIFT特征描绘子计算特征描绘子相似度来完成匹配的方法.该方法充分利用FPGA的并行性特点,通过降低多尺度Harris角点检测、斑点提取和SIFT特征描绘子生成算法的复杂度,在FPGA中实现了图像多尺度特征点的快速提取及匹配.通过对多组图片进行对比测试验证,该方法相对于软件实现方法具有处理速度快,而图像主要特征点不丢失的特点.     

Harris角点提取实现亚像素级摄像机自标定

在摄像机自标定过程中,可根据Harris的检测算法提取对角点。该算法简单有效,非常稳定。在图像旋转、灰度、噪声影响和视点变换的条件下,与其他算子相比,是最稳定的一种点特征提取算子。为了获得亚像素级的角点坐标．需要引入迭代算法进行优化。试验证明该方法可大幅度提高摄像机的标定精度。     

视线跟踪系统中眼睛睁闭检测算法研究

眼睛睁闭检测在视线跟踪系统中具有重要意义.为提高检测的准确性,提出了一种基于Harris算子的检测方法.该方法首先利用Harris算子计算图像的角点量,然后搜索图像中角点量最大的位置,以该位置为中心,设置一个区域,统计该区域内角点量总和占整幅图像角点量总和的比例,通过将该比例与阈值相比较来确定眼睛的状态.实验结果表明,...     

一种基于Harris与SIFT算子结合的商标搜索方法

针对基于SIFT算子的商标图像搜索方法提取特征点耗时过长的问题,提出了一种Harris和SIFT算子相结合的商标图像搜索方法,利用角点计算量小、用时少且特征点分布均匀的优点,能够反映图像内容的结构,具有较好的稳定性。实验结果表明,与基于SIFT和基于Harris特征的商标检索方法相比,该方法既保留了Harris方法提取特征点的高效性,也解决了SIFT方法对特征点提取时间过长的问题,具有实时性。     

基于角点特征的图像自动拼接算法

提出了一种基于角点特征的图像自动拼接方法.分析了Harris角点检测算子的实现原理及其不足,提出一种改进的Harris角点检测算法提取图像特征角点,减少了计算量,同时提高角点的定位精度,增强了算法的抗噪性能.然后用快速RANSAC算法求出图像变换矩阵H的初值并使用LM非线性迭代算法精炼H,最后采用像素值加权的方法进行图像融合.实验结果表明,该算法能有效提高配准精确性,具有较高的实用价值.     

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。     

基于支持向量机方法的噪声图像分割

图像分割是计算机视觉领域的关键技术之一。支持向量机方法被认为是好的学习分类方法之一,特别在小样本、高维情况下,具有较好的泛化性能。针对噪声图像的分割,提出了模糊权重支持向量机方法。分割实验表明,与经典支持向量机方法相比,模糊权重支持向量机方法具有更强的抗噪性。     

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.     

一种基于深度学习的图像裂缝分类方法

随着机器学习的兴起,基于深度学习的裂缝检测分类得到重视.本文设计了一种基于卷积神经网络结合支持向量机的图像裂缝分类算法,解决了现阶段存在的小样本学习能力不足、分类精度低等问题,实现了对桥梁裂缝图像的有效分类.     

机器学习的光照不均图像边缘检测系统

针对传统图像检测系统检测质量较低,容易出现图像边缘细节模糊的现象,提出基于机器学习的光照不均图像边缘检测系统。构建图像边缘检测系统总体框架,检测系统主要分成图像收集、低级处理、高级处理以及检测结果的后续处理四部分,以该系统框架为基础采用支持向量机模式将正常样本空间内不能被线性分类或者近似性分类的图像,通过非线性映射至高维特征空间,利用回归训练的核函数替代内积运算,即可完成非线性拟合。根据拟合结果将图像内的每个像素点,都作为一个训练样本,使二维图像可以用对应的拉格朗日函数表示,同时也可以表示成核函数线性组合,最后通过零交叉检测法即可完成图像边缘检测。通过实验证明,所提系统能够很好地完成光照不均图像边缘检测,且目标细节清晰。     

基于机器学习的图像分割算法研究

图像分割是计算机视觉研究中重要的一部分,其主要目的是在图像中将兴趣域目标与背景分割,关系到后续的目标识别、图像理解等操作的准确性.经过几十年的发展,许多优秀的图像分割的方法被提出.机器学习是当今时代的研究热点,基于深度卷积神经网络等机器学习的图像分割研究进展迅速.总结介绍了应用于图像分割的几种典型机器学习方法,分析比较了相关的分割原理步骤、优缺点和发展现状.最后分析了基于机器学习的图像分割算法的发展方向.     

代价敏感的半监督Laplacian支持向量机

代价敏感学习是机器学习领域的一个研究热点.在实际应用中,数据集往往是不平衡的,存在着大量的无标签样本,只有少量的有标签样本,并且存在噪声.虽然针对该情况的代价敏感学习方法的研究已取得了一定的进展,但还需要进一步的深入研究.为此,本文提出了一种基于代价敏感的半监督Laplacian支持向量机.该模型在采用无标签扩展策略的基础上,将考虑了数据不平衡的错分代价融入到Laplacian支持向量机的经验损失和Laplacian正则化项中.考虑到噪声样本对决策平面的影响,本文定义了一种样本依赖的代价,对噪声样本赋予较低的权重.在7个UCI数据集和8个NASA软件数据集上的实验结果表明了本文算法的有效性.     

Image corner detection using topology learning

Image corner detection plays an important role in image analysis and recognition. This paper presents a novel corner detector based on the growing neural gas(GNG)network and this proposed detector is called GNG-C. With the GNG network, image topology information can be learned and used to implement corner detection. The GNG-C approach can be described as consisting of the following steps. First, a canny edge detector is used to acquire the contour information of the input image. This edge information is used to train a modified GNG network. A special stopping criterion is defined to terminate network learning. Second, vectors formed between network nodes and their neighbors are used to measure curvatures. Third, dynamic regions of support(ROS)are determined based on these curvatures. These ROS are used to suppress curvature noise. The curvature values of the nodes are then analyzed to estimate the candidate corners. Finally, the candidates are distilled by a non-maxima suppression process to obtain the final set of corners. Experiments on both artificial and real images show that the proposed corner detection method is feasible and effective.     

一种新的Harris多尺度角点检测

Harris角点检测是一种经典的角点检测算法,但不具有尺度变化特性。该文把多分辨分析的思想引入到该算法中,构造了基于小波变换的灰度强度变化公式,并得到了具有尺度变换特性的自相关矩阵,从而构建了一种新的基于小波变换的Harris多尺度角点检测算法。这样,使得新的角点检测可以在不同的尺度下获取角点,并克服了单一尺度的Harris角点检测可能存在的角点信息丢失、角点位置偏移和易受噪而提取出伪角点等问题。通过对比实验,新算法明显地提高了图像角点检测性能。     

基于SVM及其改进算法的fMRI图像分类性能研究

为了提出一种更适用于分析fMRI图像特征的机器学习算法,引入机器学习近年提出的、具有较好的泛化能力、并能够保证极值解是全局最优解的新方法支持向量机（SVM）算法,具体选择了PSVM、SSVM、LPSVM、NSVM 4种SVM改进算法以及基本SVM算法应用于fMRI图像的分类问题,在MATLAB平台上进行了算法仿真实现。在对各种算法的分类计算时间、分类精确度两个方面进行比较和讨论后,得到PSVM算法在fMRI图像的分类问题上,有较好的综合性能。     

基于支持向量机的病毒程序检测方法

支持向量机是一种对于小样本具有良好学习性能的机器学习方法.本文将支持向量机方法用于病毒程序的检测中,可以改善其它方法在先验知识较少情况下的推广能力的问题.仿真实验结果看出,该方法在训练样本数相对较少的情况下,仍然具有较高的检测率和正确率,同时也具有较低的虚警率.