一种基于区域搜索的快速图像修复算法

基于纹理合成的图像修复技术在修复大面积破损区域时,普遍存在时间复杂度高的问题.针对Criminisi等提出的基于样本图像修复算法中的匹配技术存在的问题.该文提出了一种根据图像破损区域尺寸进行快速匹配的算法.同时,为了强调前次修复对以后修复产生误差累积的影响,提出了新的置信度更新方法.实验结果表明,改进算法对图像结构边缘...     

基于SURF的图像配准改进算法

为了更好地在保证图像配准的速度前提下,提高配准的精度,本文提出一种新的基于SURF的图像配准改进算法。改进算法将单向匹配与方向一致性约束两者结合起来,先对待配准图像进行单向匹配,再计算出各个匹配点对之间的特征向量方向差值,当差值在一定阈值范围内时认为匹配成功,从而剔除错配点对,提高匹配的精度。实验结果表明,该算法在保证不增加匹配的时间前提下,提高了匹配的精度。     

畸变图像的有效配准算法

镜头畸变是导致图像质量降低的主要因素之一.通常在图像存在畸变情况时,要先通过图像畸变校正方法来减小畸变对图像的影响,但校正过程较为复杂.本文提出了一种新的畸变图像的有效配准算法,算法分为初始匹配和松弛优化匹配两步,初始匹配算法采用圆投影匹配算法,松弛匹配算法则以向量旋转角的旋转和缩放不变性特征作为初始匹配对的优化准则,首先计算向量旋转角度差值,然后通过构造支持度函数和剔除策略选出最优匹配对.实验证明,该算法在图像非线性畸变误差较大的情况下也能够实现正确匹配.     

基于红外特征与区域相似的图像融合算法

为了提高图像融合算法的速度，改善融合图像的质量．提高观察者对场景的认知能力，提出了一种介于像素级融合与特征级融合之间的基于红外特征和区域相似的图像融合方法．该方法利用目标的红外特征对红外图像进行目标区域分割。从而实现对目标区域和背景区域的分别融合；同时利用图像的结构相似度对源图像中的目标区域进行相似判定，并利用不同的融合规则对冗余区域和互补／冲突区域分别进行融合．与目前常用的基于多分辨率分解的图像融合方法相比，它既充分利用了目标的红外特征和可见光图像的细节信息，更好地对图像中亮暗相反的区域进行了处理．改善了融合效果，又提高了运算速度．     

综合结构与纹理特征的图像修复算法

为了还原图像中已经损失的信息,采用综合图像结构与纹理特征的方法,对图像修复进行了研究.在选定修复区域后,算法能自动根据待修复区域周围的信息进行填充,无需人为干预.实验结果表明,对于有划痕或较大损坏区域的图像,该算法都取得了较好的修复效果.     

基于SIFT图像配准算法优化研究

为了满足在图像配准过程中对于准确度和稳定性的要求,提出一种基于SIFT和改进的RANSAC图像配准算法。首先采用SIFT算法进行特征点提取和最近邻匹配方法进行粗匹配,然后对RANSAC算法进行改进,对两幅图像中关键点相似性的评价函数进行改进和优化,实现关键点对的精准匹配,最后进行图像配准。实验表明,算法能够提高图像匹配的准确度同时降低图像匹配时间,具有一定的适用性。     

基于RCNN的图像修复技术

目前,失真图像在图像获取、转存和传输过程中发生图像信息丢失问题日益严重,然而目前很多基于深度学习的图像修复方法都需要大量的数据集支持才能实现图像修复的高复原度这一指标,严重耗费时间和资源。提出一种新型循环卷积融合神经网络模型来实现图像恢复,将原本的卷积层重构后获得的特征图导入循环模型进行信息获取,并通过U-net网络结构实现重建以得到结果。在失真数据集TID2008和TID2013上的实验结果证明,数据集较少的情况下,修复效果相对于传统方法更佳。     

基于MATLAB的图像配准方法

图像配准常常是作为其他图像处理应用的前处理步骤使用的,往往用于图像的对准、目标识别与定位。介绍了在MATLAB系统中,如何应用MATLAB的IPT函数对图像进行配准的方法:首先用人机交互的方法在待配准图像与基准图像之间进行图像配准所必需的匹配控制点的选取,然后用这些匹配控制点来计算两图像的某种空间几何变换关系,最后利用这个空间几何变换关系对待配准图像进行几何变换,获得配准结果。实验表明,该方法实现容易,且非常有效。     

基于Harris角点的木材CT图像配准

提出一种三角形法描述Harris特征点的方法,该算法首先利用Harris算子对两幅图像进行角点检测,将检测到的角点按照权值大小进行排序后,利用三角形法对特征点进行特征描述,从而找出两幅图像间特征点相互对应的关系,同时也得到了图像配准所需要的参数。实验结果证明,该算法配准准确率高,速度快,具有很强的鲁棒性。     

基于角点特征的高精度图像配准算法

为了快速准确提取图像特征和匹配点对,提出了一种基于角点检测的高精度图像配准算法。该算法首先检测参考图和实时图的角点信息,然后采用双向迭代匹配算法对参考图和实时图的角点进行匹配,再根据基于仿射变换模型的RANSAC算法对候选的匹配点对进行筛选,消除错误匹配对,并估算出最佳仿射变换参数,最后用所得变换参数对实时图进行变换和重采样来实现图像配准。实验结果表明:该算法具有良好的配准精度。     

基于级联生成对抗网络的人脸图像修复

人脸图像修复技术为近年来图像处理领域的研究热点。该文提出一种基于级联生成对抗网络的人脸图像修复方法,从生成器、判别器、损失函数三个方面进行改良。生成器采用由粗到精的级联式模型,并结合密集连接模块使所修复区域更加精细;判别器采用局部与全局特征相融合的双重判别式模型以提升判别准确性;损失函数采用最小化重构损失和对抗网络损失相结合以获得更好训练效果。基于CelebA数据集的实验显示,该方法可实现面部区域丢失50%以上的人脸图像修复,在客观评价指标PSNR和SSIM上,较现有方法分别提高了1.1~7.5 dB和0.02~0.15。从主观效果来看,该方法修复的人脸图像拥有更丰富的细节、更显自然。     

基于面积比不变量的遥感图像配准算法

为提高遥感图像配准性能和效率,提出一种基于面积比不变量的遥感图像配准算法,目的是利用面积比这一邻域约束快速去除错误匹配。为表征匹配的邻域结构,对每个初始匹配构建中值K最近邻（KNN）图,在中值KNN图中计算面积比不变量作为邻域结构的表示。由于错误匹配会打破邻域结构的相似性,其邻域结构之间的误差较大,可设置阈值将其移除。该算法最大的优点是不需要迭代便可以得到较为精确的特征匹配。实验结果表明,该算法具有较好的匹配效果和较快的处理速度,能够较好地实现遥感图像的自动配准。     

基于投影的fMRI时间序列图像配准方法研究

利用投影技术,针对功能磁共振时间序列图像,介绍了一种新的自动图像配准方法。该方法将序列图像二值化后沿着水平方向或垂直方向进行投影,根据投影向量元素的位置和大小,快速地计算出图像的旋转、平移运动的变化参数。仿真实验和实际的功能磁共振应用证实了该方法的有效性。     

用Harris-Laplace特征进行遥感图像配准

为克服图像在旋转及分辨率不一致时自动配准的困难,提出了一种新的自动配准方法:包括新的尺度空间投影算法和新的特征匹配算法。基于Harris-Laplace(H-L)特征的尺度不变性,新的尺度空间投影法运用H-L方法提取图像特征,然后将特征空间建立在依据特征点主方向的图像投影信息上,使得特征空间具有对图像旋转和分辨率大小不变的特性。新的特征匹配法则采用特征空间k-d树欧氏距离匹配和RANSAC一致性位置检验相结合的方法,实现了高效率无差错的特征匹配。通过比较分析与实验证明,该自动配准方法能够对不同分辨率、不同旋转角度的图像精确地实现自动配准。     

基于曲率驱动的图像修补方法

利用Euler’s Elastica Inpainting Model建立曲率驱动图像修补模型,基于该模型建立了一个新的曲率驱动图像修补方程,并实现了此图像修补算法.从修补效果可以看到,不仅待修补区域在图像内部时修补后的图像具有良好的光滑性,而且当待修补区域在边缘处时仍具有光滑的水平线和陡峭的边缘.     

基于偏微分方程的图像修复技术

介绍了图像修复技术的概念和原理,并在修复方法的理论与技术基础上,深入研究了偏微分方程修复模型中几种具有代表性的BSCB模型、曲率驱动扩散(CDD)模型、TV模型等图像修复模型.最后对上述模型进行了分析比较.     

基于双十字TV模型的图像修复算法

当前的各种TV(total variation)算法均只利用待修复点及其邻域的4个点的信息进行修复,由于所提供的参考信息有限,使得修复后的图像精确度欠佳. 该文提出的双十字TV算法利用原始的TV算法,将待修复点邻域中的8个点分为两组,分别利用每组4个点的参考信息计算待修复点的像素值,然后将这两个像素值进行加权平均得到最终的修复值. 实例验证结果表明,在不增加时间复杂度的情况下,双十字TV算法有效提高了修复后图像的精确度.     

一种利用互信息的多核并行医学图像配准算法

分析了利用互信息作为相似性测度进行医学图像配准的算法,给出了具体计算流程.针对其中互信息计算量大、耗时长的缺点,提出了一种运行于单机多核平台的快速并行配准算法.利用OpenMP（open multi-processing）构建了一个图像匹配的多核并行计算平台,并对配准程序中的互信息计算进行并行处理,最后完成配准.通过对图像匹配算法效率进行的评估实验,验证了多核并行计算技术能够提高医学图像配准的运行效率.结果表明,该方法既保证了配准精度,又能够较好解决配准速度慢的问题.     

基于边缘自适应小波变换的图像修复算法

本文提出一种基于边缘自适应小波变换的多尺度图像修复算法,对非纹理图像有比较好的修复效果。边缘自适应小波变换的基本思想是,先检测出图像的主要边缘,这些边缘把图像分割成几个平滑区,然后对图像进行不跨越边缘的小波分解,即在各平滑区内部进行小波变换,得到图像的多尺度表示,并且同时计算边缘的多尺度表示。这样的小波分解使高频信息基本都集中在边缘上,而高频系数则非常稀疏,而且都接近于零。在此基础上进行图像修复,就只需要对低频部分与边缘图像进行修复,然后重构得到修复图像即可。经过小波分解,低频部分破损区域大大缩小,用比较简单的插值方法就可进行修复,大大降低了计算量。对边缘图则可用曲线拟合的方法进行修复。