基于改进多尺度乘积LoG算子的仿射不变形状匹配算法

目标在成像过程中发生的几何变形多数情况下可用仿射变换来描述。据此,提出一种利用角点进行仿射不变形状匹配的算法。首先引入多尺度乘积LoG(MPLoG)算子检测轮廓角点,并根据角点间距自适应地提取轮廓特征点,从而获取形状关键特征;为解决目标的仿射变形问题,采用Grassmann流形Gr(2,n)来表征和度量两形状之间的相似度;最后通过迭代式序列移位匹配算法来克服Grassmann流形对起始点的依赖并完成形状的匹配。对形状数据进行仿真实验的结果表明,所提算法能够有效地实现形状检索和识别,并对噪声有较强的鲁棒性。     

基于Grassmann流形的仿射不变形状识别

传统的Kendall形状空间理论仅适用于相似变换, 然而成像过程中目标发生的几何变形在更多情形时应该用仿射变换来刻画. 基于Grassmann流形理论, 本文分析了仿射不变形状空间的非线性几何结构, 提出了基于Grassmann流形的仿射不变形状识别算法. 算法首先对训练集中的每类形状分别计算形状均值和方差, 进而在形状均值附近的切空间构建多变量正态分布; 最后,根据测试形状的观测和先验形状模型求解测试形状的最大似然类, 对形状进行贝叶斯分类. MPEG 7形状数据库的实验结果表明, 与传统Kendall形状分析中的基于Procrustean度量识别算法相比, 本文识别算法具有明显优势; 真实场景中的目标识别结果进一步表明, 本文算法对仿射变形有更好的适应能力, 在复杂场景下能以较高的后验概率辨识出目标类别.     

一种基于边缘轮廓线的LoG角点检测

角点是数字图像中目标的重要局部特征,提供了目标的低层次视觉特性。将Laplace of Gaussian变换引入到平面曲线,提出了一种基于边缘轮廓的LoG角点检测算子。深入分析LoG变换的几何特征,建立了边缘轮廓曲率和LoG范数间的等价度量关系。角点响应函数被定义为边缘点的LoG变换范数,边缘轮廓上LoG范数的局部极值点被认为是角点。并针对?祝-角点模型和圆周曲线模型,验证了这种定义的合理性。实验结果表明,相比经典角点检测算子,该文算法具有高效、稳定的优点。     

一种快速多尺度特征点匹配算法

为了快速稳定地进行特征点的跟踪,提出了一种快速多尺度特征点的提取算法.该算法首先利用快速局部窗口极值搜索算法提取出不同尺度空间特征点的局部极值,减少了局部极值搜索的冗余性,然后再利用最近邻算法对特征点进行匹配.实验结果表明,该算法的计算速度快于SIFT算法和MOPS算法,稳定性强于传统的Harris算法,可以用于实时图像配准及目标跟踪.     

一种改进的多尺度Harris角点检测算法

传统角点检测算法对尺度很敏感,而且提取角点是像素级的。采用图像增强技术,通过DOG算子将多尺度运用到Harris算法中,然后除去极值点附近低对比度的特征点。不仅避免了传统灰度变换技术的单一性,还提高了增强处理后图像的稳定性。改进的多尺度Harris角点检测方法具有误差较小、伪角点较少、错误率较低、匹配精度性较高等特点。     

一种基于多尺度轮廓点空间关系特征的形状匹配方法

针对使用三角形区域表示描述子对相似形状进行匹配时,对微小形变比较敏感 以及区分剧烈变化的不相似形状时判别能力较弱的问题, 提出一种结合轮廓点空间关系特征的多尺度形状特征描述子.通过分析不同尺度下参考点与其他采样点之间的位置关系, 利用对应角度信息来对形状进行表示, 并在此基础上构造出一种新的形状特征描述子.本文所提特征提取方法能对形状的局部及全局信息更准确地描述, 具有较好的鲁棒性和判别能力.在形状特征匹配阶段, 利用轮廓点集顺序关系已知这一优势, 引入动态规划及形状复杂度分析的方法,分析形状间的匹配结果, 能够得到较好的形状匹配精度.通过对不同形状数据集行仿真实验, 证明本文方法能够有效地实现形状识别和检索.     

LoG边缘算子改进的加权引导滤波算法

针对原始全局的引导滤波算法对整幅图像各个区域使用统一的线性模型与相同的规整化因子,从而未能适应图像本身不同区域的纹理特性,提出了基于LoG边缘检测算子改进的加权自适应规整因子。通过在局部窗口内计算LoG幅值响应,对原有的规整化因子进行惩罚来取得对图像平滑区域与边缘区域的自适应,使得在保证降噪效果的前提下进一步突出边缘像素和平坦区域像素之间的差异。对开源医学图像库BrainWeb中不同断层的T1、T2与PD加权图像,共18张图像,添加9%的莱斯噪声作为测试库,并采用结构相似性因子(SSIM)与无参考图像锐化因子(CPBD)作为算法的定量评估指标。实验结果表明,与原始的引导滤波算法相比,所提方法的SSIM指标获得了最高5%左右的提升,CPBD指标获得了最高6%左右的提升。在引导滤波不同规整化因子的条件下,所提算法均优于原始的引导滤波算法和现有的基于方差图像加权改进的引导滤波算法,并保留了原始引导滤波O(N)的复杂度。与现存的主流滤波算法比较,所提算法能够兼顾SSIM与CPBD指标,具有最高的综合性能,且具有最低的算法复杂度,能够用于医学图像和彩色图像的快速滤波降噪。     

基于多尺度的轮廓匹配方法

物体的形状轮廓是计算机视觉中一个重要的特征。该文提出了一种基于多尺度下局部特征的描述和动态规划的形状匹配和识别方法。考虑到轮廓在不同尺度下特征点的变化,给出了形状的多尺度描述方法。在轮廓分段匹配过程中,根据噪声和形变的程度不同对局部轮廓分别采用不同尺度滤波,避免了局部形变及噪声导致错误的匹配结果。该算法对于噪声、形变和适度的遮挡有较好鲁棒性,用于行人识别上取得了较好的效果。     

基于图匹配的旋转不变弹性点匹配算法

针对旋转不变的弹性点匹配问题,提出一种基于图匹配的算法。对两点集分别构造边集合,然后定向的形状上下文距离和边长度的差别被用于度量两点集的边之间的相似性。基于边的相似性,点对应关系通过求解一个图匹配问题而恢复。实验结果表明该算法可以获得很好的配准结果并且鲁棒、高效。     

改进的多分辨率形状匹配算法研究

形状匹配算法虽然在基于内容的视频检索中应用广泛，但由于视频数据量非常大，匹配非常耗时，因此形状匹配算法通常会成为实时视频检索的瓶颈，为了快速准确地进行形状匹配和检索，提出了一种改进的多分辨率Hausdorff距离变换算法，该算法是通过对后向匹配算法进行优化来使匹配速度大大加速，可用干进行实时车型比较和识别。实验结果表明，该改进算法在车型识别上具有速度快和准确性高的优点，尤其在模板图像比较大的情况下，此改进算法优势明显。     

基于高斯拉普拉斯的层次剥离体绘制

由于仅修改传递函数很难解决组织间的遮挡问题,尤其是同种组织间的遮挡问题。采用边缘检测的原理确定不同组织间的分层点,并针对基于梯度的层次剥离体绘制难于选择合适的梯度阈值的缺点,提出通过判断图像二阶导数过零点的方法,确定不同组织的分层点。同时,为了达到实时效果,通过图形处理器对算法加速,实现实时绘制的效果。实验结果表明,该算法能够自动地并实时地实现体绘制的分层显示,显示结果较清晰。     

基于ORB算子的快速立体匹配算法

针对利用SURF（Speeded Up Robust Features）进行立体匹配难以满足实时性需求这个问题,提出了一种基于ORB（Oriented fast and Rotated BRIEF）特征的立体匹配算法。在提取ORB特征点时,用一个数组记录该特征点因减小边缘效应而排序后的次序,结合极线约束、唯一性约束和顺序约束,来减少搜索空间,再以KNN（K-Nearest Neighbor）作为匹配策略,计算特征描述子的汉明距离,最后以最近邻匹配作为立体匹配结果。实验结果表明,该方法匹配速度快,准确度高,即使在图像未经校正的情况下,仍有较高的准确率。     

基于拉普拉斯算子和图像修补的图像去噪算法

通过分析偏微分方程(PDE),设计了基于拉普拉斯算子和图像修补的图像去噪算法用于处理被噪声污染的图像：ROF调和拉普拉斯(RHL)算法和ROF调和修补(RHI)算法。通过分析图像的局部特征,结合ROF模型在处理图像时具有边缘保护能力,调和模型在处理图像平滑区域时能够避免产生“阶梯效应”和拉普拉斯算子具有增强细节信息的特点,设计了RHL算法;在RHL算法的基础上,结合基于PDE的图像修补模型设计了RHI算法。实验结果表明,设计的RHL算法和RHI算法既克服了ROF模型、调和模型在去除图像噪声时的缺点,又结合了两者的优点,与其他基于PDE的算法相比,在去除图像噪声、处理图像平滑区域、保持图像边缘细节信息方面都有较好的性能。     

基于视觉伺服的LED芯片形状匹配算法研究

LED芯片的定位是LED芯片检测、分选等后封装过程的关键步骤,其定位速度和精度直接决定了LED芯片检测设备的生产效率。为了提高芯片定位的精度,提出了基于视觉伺服的反馈补偿技术,有效补偿了芯片定位误差;为了提高芯片定位的速度,在视觉伺服系统的基础上,针对LED芯片的特点,提出形状匹配优化算法,通过减小匹配过程中匹配的面积和搜索的角度,有效弥补了因视觉运动补偿所消耗的时间。通过以上两方面提高了LED芯片定位精度和速度,满足LED芯片高精和高速的定位需求。     

基于改进形态学算子的木粉边缘检测算法

针对木粉显微图像边缘复杂、细节模糊等问题,提出一种基于HSV空间目标提取和改进数学形态学多尺度算子的边缘检测算法。基于HSV空间提取目标,排除背景噪声干扰;通过最佳方向检测改进传统多尺度形态学检测算子,避免了多方向检测的权重选择,以此获得较好的木粉边缘。实验结果表明：形态学检测算子优于传统canny检测算子;改进的形态学多尺度检测算子不但取得了较好的边缘检测效果,而且提高了边缘检测精度和定位能力。     

融合密度峰值的高斯混合模型聚类算法

针对高斯混合模型（GMM）聚类算法对初始值敏感且容易陷入局部极小值的问题,利用密度峰值（DP）算法全局搜索能力强的优势,对GMM算法的初始聚类中心进行优化,提出了一种融合DP的GMM聚类算法（DP-GMMC）。首先,基于DP算法寻找聚类中心,得到混合模型的初始参数;其次,采用最大期望（EM）算法迭代估计混合模型的参数;最后,根据贝叶斯后验概率准则实现数据点的聚类。在Iris数据集下,DP-GMMC聚类准确率可达到96.67%,与传统GMM算法相比提高了33.6个百分点,解决了对初始聚类中心依赖的问题。实验结果表明,DP-GMMC对低维数据集有较好的聚类效果。     

改进IOWHA算子组合预测模型

针对现有单项预测模型提供信息有限,预测误差大的问题,引用最优加权组合建模理论,将灰色关联度与IOWHA算子相结合,提出一种新的组合预测模型权重确定方法,并应用该权重确定方法构建了一种基于RBF神经网络预测模型和GM预测模型的最优组合预测模型。该模型能够克服传统组合预测方法的两个缺陷：加权平均系数不变和以单一误差指标为准则。利用该组合模型对全国物流需求进行组合预测,并与RBF神经网络模型、GM模型的预测结果进行了对比分析。结果表明,相对于单项预测模型,该组合预测模型的预测精度更高,是一种有效的物流需求预测模型。     

基于CUDA的图像匹配算法

为解决目前已有的图像匹配算法不适用于对实时性要求很强的应用,提出了PLS（Partial Least Squares）与余弦定理相结合的并行化图像匹配算法。该算法在CUDA架构下,对图像矩阵分块,分块后每个小块图像存入共享存储器处理并提取每个小块图像特征,通过合并后图像特征采用余弦定理计算图像的相似度,从而找出匹配图像。实验表明,CUDA架构下可以实现图像的并行匹配,与CPU上串行匹配相比,时效性提高了百倍以上。     

TPC基于相关运算的迭代译码算法

Chase-Pyndiah算法（简称C-P算法）为Turbo乘积码（TPC）译码中常采用的算法之一。在C-P算法的基础上,引入一种基于相关运算的迭代译码算法,采用相关作为度量,可以避免复杂的欧氏距离计算;在选择候选码字时引入度量比较的方法,省去了对竞争码字的搜索;通过去除候选码字中相同元素对符号集合进行简化,降低了译码复杂度和译码延时。经算法分析与仿真表明,与已有的软判决算法相比,该算法的译码速度更快而译码性能没有降低,非常适合硬件实现。     

基于高斯分布和模拟退火算法的免疫微粒群优化算法研究

针对微粒群算法在搜索过程中粒子容易失去多样性而陷入局部最优且搜索速度较慢的缺陷,提出了一种基于高斯分布和模拟退火算法的免疫微粒群算法,该算法借助高斯分布和模拟退火的有关机理,分别进行免疫接种和免疫选择的操作。使用常用的基准函数对算法进行了仿真验证工作,通过与全局微粒群优化算法、变惯性权值微粒群优化算法的对比表明,免疫微粒群优化算法(IPSO)在搜索速度和全局寻优方面具有一定的优势。