带降噪的快速DWT与分形相结合图像编码方法

针对图像易受外界噪声干扰,且这种噪声分布通常是未知的这一问题,结合图像的统计特性、基本分形编码中值域块和最佳匹配的定义域块之间的距离统计特性等,提出一种基于方差不变特性、邻域搜索的分形与小波相结合的图像分形编码算法。在该算法中,如果值域块和最佳匹配之间的稳健回归优化目标函数取值小于给定的阈值,则用分形压缩算法编码该块,否则用小波变换压缩该块。实验结果表明,该方法可使编码速度比基本分形算法有较大提高,而且原始图像在受到外界干扰的情况下,该算法表现出了较好的鲁棒特性。     

邻域匹配和分类匹配的分形块编码

值域块的分形编码，是值域块与定义域块池中的定义域块逐一匹配后产生的。这一匹配过程是影响分形块编码速度的深层原因，此文改全局匹配为邻域匹配和分类匹配，从二条途径探讨了缩短匹配时间的方法。实验结果表明，领域匹配及分类匹配的分形块编码的时间，但信噪比略有下降。     

基于知识的复杂海空背景抑制

研究了复杂海空背景下的红外小目标检测的预处理问题。提出了一种基于小波分解与Hough变换结合的方法，提取海空线，确定小目标的潜在区域。为了进一步抑制目标潜在区域的复杂背景、增强目标，提出一种方向自适应的多级滤波器，使之跟随海空线的角度进行滤波。实验证明，该方法能检测出复杂背景下任意方向的海空线，并有效地抑制目标潜在区域的海空线以及噪声杂波，使目标得到增强。     

利用代间差分遗传算法优化分形图像编码速度

研究了分形编码过程中值域块与定义域块相似程度的分布特点,提出利用代间差分遗传算法优化其编码速度。实验结果证明了该方法的有效性。     

基于值域块分类的分形编码

通过值域块预搜索对值域块分类,化简待搜索值域块数目,缩短编码时间.     

一种基于邻域搜索的分形图像编码算法

分形图像编码以其高压缩比,使得它具有广泛的应用前景,但是传统的分形编码方法压缩时间长,这是因为在为每一个值域块寻找合适的定义域块时需要在码本中进行大量的搜索匹配。研究发现,和值域块最匹配的定义域块大多数在值域块的附近。根据这一结论,提出了一种基于邻域的螺旋式搜索方法,并利用图像块间的信息熵差值,缩减了搜索范围。另外对误差图像进行编码,作为解码图像的补充,提高了解码图像质量。实验表明,该方法在不降低图像质量和信噪比的前提下大大加快了编码的速度。     

基于分水岭算法的空间目标图像分割方法

自然背景复杂的纹理特征,使得自然背景下人造目标的分割变得困难.为了从空间背景下精确分割出人造目标,基于分水岭算法,结合形态学重建和分形理论,提出了一种改进的图像分割方法.首先利用形态学开闭重建运算对原始图像的形态学梯度图像进行重建,其次在原始图像中利用人造目标和空间背景的分形特性差异对目标进行标记,最后对重建后的图像采用分水岭算法进行分割,将包含标记的区域提取出来并进行合并,从而将人造目标提取出来.仿真结果表明了方法的有效性.     

一种基于矩不变量的快速分形编码方法

目前分形图像压缩的最主要问题是其编码时间太长,这主要是因为在分形编码时,对每一个待编码值域块都需要比较数量巨大的定义域块才能找到它的最优匹配块。通过深入分析分形编码过程,文章首先提出了一种图像的矩不变量,它在灰度仿射变换下保持不变,并以此作为图像块的特征来为分形编码中的图像块进行分类,从而得到了一种基于矩不变量的快速分形编码方法:将定义域块按其矩不变量进行分类,在编码时对每一个待编码值域块,其最优匹配块只在其同类或相邻类的定义域块中寻找,从而大大地减少了定义域块的比较数目,缩短了编码时间。实验证明,与已有的分类方法相比,该文方法在解码图像质量基本满意的基础上,极大地提高了分形编码的速度。     

基于匹配概率活动表的分形图像快速压缩编码算法

本文在Jacquin提出的自动分形图像编码算法的基础上,针对各定义域块与值域块的匹配概率不相等,提出了基于匹配概率活动表的分形编码算法,为进一步加快编码速度,从理论上重新定义了定义域块与值域块间距离的计算,并分析了值域块类型与门限取值间的关系,并经实验给出了门限的具体数值。实验结果表明,与基本自动分形图像编码方法相比,在保持重建图像质量的前提下,运算时间大大下降,加快了分形图像压缩速度。     

基于像素分布与三角形分割的快速分形图像压缩算法

为解决传统分形图像压缩算法中编码速度慢的问题,提出了一种基于像素分布和等腰直角三角形分割的快速分形图像压缩方法。利用离散质点系质心的唯一性以及质心位置不变的特点,实现了定义域块与值域块的匹配。对原始图像采用等腰直角三角形的划分方式,减少了定义域块的数量和搜索匹配块的运算次数,提高了编码效率。实验结果表明,该方法在保证图像解码质量的前提下,编码速度是传统分形图像压缩编码方法的3倍。     

背景帧差与分块帧差相融合的运动目标检测

提出一种融合使用背景帧差和分块帧差的运动目标检测方法。该方法通过对图像的每个像素点进行学习,然后建立初始背景,通过不完全覆盖分块法对图像进行分块,对各子块进行帧间差分实现对前景图像的粗提取,采用otsu算法获取阈值,运用背景差分对前景图像进行细提取。背景采用分段学习的更新方法,能够消除光照变化、背景物体摇动等噪声。实验结果表明,该方法快速、准确,抗干扰能力强,能较好地满足实时检测运动目标的要求。     

一种快速实用的灰度校正算法

介绍了光学成像系统灰度衰减模型，提出了一种快速的灰度不均图像校正方法。该方法不需要其他的外部参数，也不需要模型，仅通过对灰度不均的图象自身进行运算来加以校正，它基于通过原图象减去背景图像来消除不均的策略，根所图象特性，直接从原图象中取出属于背景上的点，再通过插值或曲面拟合等方法得到整个背景图象。该方法不但保持了原图象上的目标，而且效果明显，简单快速，并具有很好的通用性，高速公路路面病害检测实验结果验证了该方法的有效性。     

Optimal Representative Blocks for the Efficient Tracking of a Moving Object

Optimal representative blocks are proposed for an efficient tracking of a moving object and it is verified experimentally by using a mobile robot with a pan‐tilt camera. The key idea comes from the fact that when the image size of a moving object is shrunk in an image frame according to the distance between the camera of mobile robot and the moving object, the tracking performance of a moving object can be improved by shrinking the size of representative blocks according to the object image size. Motion estimation using edge detection (ED) and block‐matching algorithm (BMA) are often used in the case of moving object tracking by vision sensors. However, these methods often miss the real‐time vision data since these schemes suffer from the heavy computational load. To overcome this problem and to improve the tracking performance, the optimal representative block that can reduce a lot of data to be computed is defined and optimized by changing the size of the representative block according to the size of object in the image frame. The proposed algorithm is verified experimentally by using a mobile robot with a two degree‐of‐freedom active camera. © 2004 Wiley Periodicals, Inc.     

提取目标区域词袋特征的图像分类方法

规则网格是视觉词袋模型中常用的图像检测方法,该方法抽取图像所有区块,获得背景区块和目标区块完整的图像信息。事实上,抽取的背景区块信息对类别的判定往往会有一定的混淆作用。以“摩托车”类和“小汽车”类的图像为例,这两类图像背景特征相似,大多都是道路,一般的分类方法很可能将它们分为相同类别。可见,背景信息会干扰图像分类结果。因此,提出一种提取目标区域词袋特征的图像分类方法。利用图像分割去除背景信息提取目标区域;对目标区域构建视觉词袋模型;使用SVM分类器对图像进行分类。PASCAL VOC2006及PASCAL VOC2010数据集上的实验结果表明,提取目标区域词袋特征的图像分类方法具有较好的分类性能。     

基于边缘特征和AdaBoost分类的遥感图像云检测

传统遥感图像云检测方法在处理山地、雪地、暗云等场景时极易发生错判,准确度较低。通过对遥感图像中云与地物的不同特点进行分析,提出一种新的遥感图像边缘特征描述方法,结合图像的边缘特征和灰度特征使用AdaBoost分类器进行云图分类,并利用图像的空间相关性对分类结果进行修正。经10万余幅图像测试结果表明:该算法与传统算法相比准确度极大提高,正确率达到96%以上,且运算速度快,满足实时性要求。     

自适应融合局部和全局稀疏表示的图像显著性检测

针对基于局部或全局稀疏表示的图像显著性检测方法频繁出现提取对象不完整、边界不光滑及噪声消除不干净等问题,提出自适应融合局部和全局稀疏表示的图像显著性检测方法。首先,对原始图像进行分块处理,利用图像块代替像素操作,降低算法复杂度;其次,对分块后的图像进行局部稀疏表示,即：针对每一个图像块,选取其周围的若干图像块生成过完备字典,基于该字典对图像块进行稀疏重构,得到原始图像的初始局部显著图,该显著图能够有效提取显著性目标的边缘信息;接着,对分块后的图像进行全局稀疏表示,与局部稀疏表示过程类似,不同的是针对每一个图像块所生成的字典来源于图像四周边界处的图像块,这样可以得到能有效检测出显著性目标内部区域的初始全局显著图;最后,将初始局部和全局显著图进行自适应融合,生成最终显著图。实验结果表明,提出算法在查准率（precision）、查全率（recall）及F-measure等指标上优于几种经典的图像显著性检测方法。     

利用小波变换和纹理特征实现运动对象检测

运动对象检测是计算机视觉应用中的一个重要问题。提出了一种新的检测运动对象的算法。首先通过计算图像块的小波变换域不同频率的纹理特征从而得到图像的特征，然后利用前景图像和背景图像的特征差异得到运动对象。同时，采用一种改进的背景维护方法以提高算法对环境光线变化的抗干扰能力。实验结果表明该算法具有快速、可靠的特点，可满足实时运动检测的需要。     

基于全局和局部特征融合的显著性提取方法

显著性提取方法在图像处理、计算机视觉领域有着广泛的应用.然而,基于全局特征和基于局部特征的显著性区域提取算法存在各自的缺点,为此本文提出了一种融合全局和局部特征的显著性提取算法.首先,对图像进行不重叠地分块,当每个图像块经过主成分分析(Principle component analysis,PCA)映射到高维空间后,根据孤立的特征点对应显著性区域的规律得到基于全局特征的显著图;其次,根据邻域内中心块与其他块的颜色不相似性得到基于局部特征的显著图;最后,按照贝叶斯理论将这两个显著图融合为最终的显著图.在公认的三个图像数据库上的仿真实验验证了所提算法在显著性提取和目标分割上比其他先进算法更有效.     

基于分块和改进粒子滤波的运动目标检测方法

为了快速准确地检测到视频场景中的运动目标,提出了一种基于分块和改进的粒子滤波的运动目标检测方 法。首先,对视频图像序列分块并提取每个图像块的颜色特征;然后,用改进的粒子滤波对每个图像块进行操作,计算 出每个块对应的粒子的权重;最后,根据粒子的平均权重建立背景模型,提取运动目标。将分块和粒子滤波相结合,能 够在不降低检测精度的基础上,大幅减少算法的计算量,提高算法的执行速度。实验结果表明,该方法具有较好的鲁 棒性、杭噪性和抗光照变化能力,提取的运动目标更加完整。     

Edge detection and edge-preserved compression for error-diffused images

In this paper, a new approach to edge detection and image compression of bilevel error-diffused images is proposed. The proposed approach is directly applied to the error-diffused images without any inverse halftoning technique. The main idea behind the proposed edge detection method is to compute the consistency value of each pixel of the error-diffused image, and the computed values are then clustered into two classes to obtain the desired edges. Here, the consistency value is a function of the mass center and geometric center of the window; more precisely, it represents the possibility that the area covered by the window can be uniform. As for compression, each error-diffused input image is compressed by dividing the image into non-overlapping blocks with size 8 × 8, then each highly-consistent block is encoded by its average illumination, and each lowly-consistent block is transmitted directly using the original bitmap. The threshold to distinguish these two kinds of blocks is automatically calculated based on the compression rate required by the users. The complexity of our compression technique is low, and this fast method can be used in real-time application.