密集标志点集的拓扑保持变换方法*

为了解决图像变换后拓扑结构不保持的问题,提出了一种密集标志点集情况下的拓扑保持变换方法.该方法首先确定拓扑不保持的局部区域;然后确定拓扑不保持区域的方向角;最后根据该方向角确定并删除密集标志点集中引起拓扑关系不保持的标志点,从而得到拓扑关系保持的变换结果.实验证明该方法能较好地解决密集标志点情况下的拓扑不保持问题,不仅效率高,而且配准效果好.     

基于小波变换的医学图像融合技术的实现

研究目的：为了对医学图像进行基于小波变换的融合。方法：首先通过学习和研究小波理论的有关知识来研究小波理论在图像融合中的应用目的和实现方法，并借助MATLAB平台，通过小波工具箱实现了图像融合，同时比较了使用这两种方法实现图像融合的效果；然后借助MATLAB中的函数，通过编程实现了图像融合算法。结果：由两幅非同源的医学图像（CT图像和MRI图像）的融合结果可见，两种方法得到的融合图像的效果一致，其对于两幅图像中同一部位相对位置偏移量小的融合效果较好，但对偏移量较大以及存在形变情况的融合则效果不好。结论：通过小波工具箱可以实现一些简单的医学图像融合，但是随着医学图像融合技术的进一步发展和医学图像的复杂度的进一步加深，尤其是对于腹部和胸部的医学图像，则要通过非刚性配准之后才能再进行融合显像，其过程更加复杂。     

小波变换在人脸图像融合中的应用

为了提高人脸检测图像的质量,本文提出了一种基于小波变换模型的人脸图像融合处理算法,该算法将两幅或者多福不同光照条件的人脸图像进行融合处理。该算法不仅可以改善光照条件对图像质量的影响,并且有效的消除了人脸图像的模糊边界。通过与其他同类算法的实验表明,本文提出的算法能有效地改善图像质量,减少不同光照条件对人脸检测准确率的影响。     

Mean Shift图像分割的快速算法

Mean Shift算法是一种搜索与样本点分布最相近模式的非参数统计方法。在图像聚类分割中,Mean Shift算法是一种有效的方法。但是,由于Mean Shift算法是一种迭代方法,要保证较高的数值计算精度则需要较多的迭代次数,耗费较长的计算时间。为克服这一缺点,提出了在数字图像空间中标记收敛点,同时采用Fourier级数来近似计算高斯函数。仿真实验表明,该方法对于加速Mean Shift计算过程是十分有效并且是相当精确的。     

改进的基于小波变换的图像配准方法

针对如何提高图像配准的精度和速度的问题,利用基于Fourier-Mellin变换求解水平参量的准确性和基于互信息方法求解旋转及尺度变换参量准确性的优点,提出一种基于Fourier-Mellin和互信息的图像配准金字塔方法。对多幅遥感图像的实例仿真结果表明,该方法能在提高配准精度的同时减少配准时间。     

相似变换下的模板图像自动匹配技术

基于Fourier-Mellin变换的相似不变性,论文给出了一种相似变换(即模板图像和场景图像之间存在平移、旋转和尺度缩放)下的模板匹配方法。主要工作包括:第一,给出了一种模板匹配度量准则。该准则可对每次的匹配结果直接做出判断,无需进行穷尽搜索;第二,对搜索策略、搜索步长等问题给出了优化建议。大量实验结果验证了该方法的可行性和鲁棒性。     

基于自适应混合多项式变换的图像配准

图像配准是红外与可见光图像融合的关键问题。在实际应用中,场景景深的多变性与红外、可见光相机之间的差异性都会增加多模图像配准的难度。为应对上述困难,提出了一种用于图像配准的自适应混合多项式变换（Adaptive Polynomial Mixture Transformation,APMT）,该模型可以准确地描述待配准红外与可见光图像之间形变的全局非线性规律。针对形状上下文特征的缺陷进行改进,设计了高斯加权形状上下文（Gaussian Weighted Shape Context,GWSC）特征,用于从多模图像中提取匹配点集。利用分段优化策略从匹配点集中估计出最优的APMT模型参数,实现全局图像配准。定性与定量实验表明：与同类方法相比,提出的方法（GWSC-APMT）在配准精度与效率方面都有良好的表现。     

基于Fourier-Mellin变换的图像配准算法及性能研究

快速傅立叶变换(FFT)改进了离散傅立叶变换(DFT)的计箅过程,被广泛应用于数字图像的实时处理中.在相位相关技术的基础上,提出了一种新的图像配准算法,即在需要配准的两幅图像中心选取相同区域大小,进行Fourier-Mellin变换,变换后是一个二维脉冲信号,由此而得到图像配准参数.实验结果表明了该算法的有效性和可靠性.     

Curvelet变换在多聚焦岩心图像融合中的应用

利用基于光流的运动估计对岩心图像配准后,针对岩心高低不平图像出现部分模糊现象,提出了一种基于Curvelet变换的多聚焦图像融合方法,先对不同聚焦图像进行Curvelet变换,采取低频分量取加权平均、高频分量取绝对值最大的融合规则,再进行Curvelet反变换。实验表明,基于Curvelet变换的融合方法可有效综合多聚焦图像,相比基于小波变换的图像融合,能获得更好的融合效果。     

一种基于Radon变换及快速傅里叶变换的图像配准方法

针对现有的图像配准方法的低鲁棒性问题,提出一种对噪声不敏感的多畸变图像配准方法,通过Radon变换估计旋转角度,利用快速傅里叶变换求解平移与伸缩。实验结果表明该方法有效提高各类图像配准的精度,并且具有较高的鲁棒性,可以有效抵抗噪声信号的干扰,具有较高的实用价值。     

一种快速均值漂移图像分割算法

图像分割是图像分析及图像理解的关键步骤。与其他图像分割算法相比,均值漂移(Mean Shift)算法具有原理简单、无需先验知识、可以处理灰度图像及复杂的自然彩色图像等优点。但该算法需要对图像中每个像素点进行迭代计算,因此分割所需要的时间较长。本文提出了一种快速Mean Shift图像分割算法(Fast mean shift,FMS),将少量像素点作为初始点进行迭代计算,而出现在高维球区域内的其他像素点根据其到已有类中心的距离进行归类,从而减少Mean Shift算法的迭代次数,缩短分割时间。实验结果表明,本文提出的快速Mean Shift图像分割算法可以获得良好的分割结果且具有较高的分割效率。     

基于分级mean shift的图像分割算法

实验发现传统mean shift算法进行分割时常会产生连接通道问题,使得几个分类簇之间无法完全分开.针对该问题,提出一种改进的分级mean shift图像分割算法,在初次迭代获得的聚类中心基础上采用不同的带宽矩阵进行多次聚类,从而获得不同级的聚类中心集合,并建立一个归属树结构,最终通过叶节点与根节点的归属关系进行归类从而完成图像分割.实验证明改进算法可以更好地保留图像的局部信息,同时具有较好的适用性.     

针对融合图像的均值位移跟踪方法

提出一种针对融合图像的均值位移跟踪方法。运用加权平均融合和基于动态目标检测的多源动态图像融合体系,对可见光与红外图像进行像素级动态图像融合,利用Mean Shift算法进行目标跟踪。采用真实数据进行实验,并对实验结果进行稳态的位置均方根误差评价。结果表明,在跨背景区域及复杂背景下,采用该方法对目标进行运动跟踪,能满足鲁棒性及实时性要求。     

基于NL-Means的均值平移图像分割算法

针时均值平移图象分割算法中,在密度中心点选择时的不足,本文采用一种新的寻找密度中心点的方法,同时,为了克服传统基于特征空间分析的图像分割方法对像素点空间关系考虑不够充分的缺陷,通过Non-local means算法,在距离公式中引入特征权参数,从而优化聚类效果.对图象分割结果分析表明了这种方法的有效性.     

自适应Mean Shift算法的彩色图像平滑与分割算法

采用Mean shift算法对图像进行平滑和分割处理时, 带宽和采样点权重的选择直接影响平滑和分割的效果. 带宽分为空域带宽和值域带宽. 本文根据图像颜色分布的丰富程度定义了自适应空域带宽. 在此基础上, 通过最小化局部方差函数和最大化频域结构相似度函数获得自适应值域带宽. 此外, 通过定义采样点权重, 克服了图像过平滑问题. 通过随机选取大量的图像进行实验, 结果表明运用本文所选择的带宽和权重, 可以得到正确的图像区域分割结果.     

基于均值漂移的自适应纹理图像分割方法

提出了一种基于小波多尺度分析和均值漂移的无监督纹理分割方法.该方法利用均值漂移聚类实现基于小波特征的完全无监督自适应多尺度分割,既不需要进行训练也不需要分割类别数等先验知识.该方法根据一定的策略在尺度间进行信息传递,自适应地为图像不同区域确定合适的分割尺度,即纹理内部区域使用粗尺度特征而不同纹理间的交界处使用较细尺度特征,这样就在保证区域一致性的同时更准确地定位图像边缘.对比实验结果表明,该方法在合成纹理和真实纹理图像中都有较好的性能,其多尺度的分割过程类似于人类视觉系统感知,并且较之有监督的传统分割方法也更具优势.     

基于Mean Shift随机游走图像分割算法

针对传统随机游走算法分割目标轮廓易受自然纹理背景干扰,并且算法运行效率低的问题,提出一种基于Mean Shift随机游走图像分割算法.首先应用Mean Shift算法对图像进行预分割,将图像分成许多同质区域,再将其代替经典随机游走算法中节点来建立对应的无向图;将彩色直方图作为区域描述算子,采用欧氏距离与高斯权函数相结合...     

基于像素级图像融合的Mean Shift目标跟踪

针对可见光、红外单模图像序列进行Mean Shift目标跟踪时存在的问题,提出了先对可见光、红外图像序列进行像素级动态图像融合,采用加权平均融合和基于区域目标检测的图像序列融合框架,再对融合结果进行Mean Shift目标核函数直方图建模,然后进行匹配跟踪。实验采用了实际图像序列。实验结果表明,针对目标进行跨背景区域的运动,该方法较采用单模图像序列进行跟踪具有更好的鲁棒性,并且满足实时性的要求。