一个基于特征的图象变形算法

首先对图象变形算法的研究作了一个简要的概述，然后结合我们目前所进行的智能动画系统的开发工作，提出了一个图象空间中基于特征的变形算法。在文中第二节较为详细地介绍了该算法中所用到的散乱点插值算法，最后给邮了该变形算法的详细描述。     

一种图象变形映射算法的研究

探讨了图象变形的原理，提出了一种将矩形区域的二维图象向任意的二维曲线轮廓区域映射的算法，并给出了利用位图格式文件经编程处理获得的一些结果。实例证明，这种算法是行之有效的。     

一种快速的图象边缘提取算法

本文设计的图象边缘提取算法，具有较高的抗“噪声”能力，运算速度快，提取的边缘线只有一个象元宽。     

一种基于CMAC的图象恢复算法

由于影响成象和导致图象退化的因素具有模糊性和不确定性,很难准确地建立图象退化过程的数学模型,因而建立退化过程的逆过程图象恢复十分困难,为了解决这一问题,提出了一种基于CMC的图象恢复算法,该方法利用CMAC神经网络的非线性映射和综合能力,通过对影响成象和导致图象退化的过程进行反向学习来恢复图象。仿真结果表明,用CMAC神经网络能很好地恢复出已退化的图象,并且神经网络模型与学习方法十分简单,便于实时图象恢复。     

一种基于整体变分的图象修补算法

图象修补是图象恢复研究中的一个重要内容，它的目的是根据图象现有的信息来自动恢复丢失的信息，可以用于旧照片中丢失信息的恢复。由于图象中的边缘代表了图象的重要信息，所以在设计修补算法时，必须着重考虑边缘的恢复，采用整体变分模型设计了一个图象修补算法，整体变分模型能够模拟人的低层视层，在修补图象时可以恢复图象中的边缘，数值实验表明，该模型能够较好地恢复待修补区域的信息，但是受修补区域大小的影响，同时又采用了一种向前传播操作来缩小修补区域。     

一种二值图象边缘跟踪的通用算法

一般边缘跟踪算法都没有考虑图形区域的边缘比较复杂时的情况.本文提出一种改进的边缘跟踪算法、该算法可对二值图象中可能出现的各种情况的区域进行跟踪,具有简单明了而且效率高的特点.     

Fason：一种图象快速分形压缩的改进算法

本文针对图象所具有的分形特性，充分挖掘子图象块和父块之间的相似性，提出了一种与传统方法完全不同的快速图象分形压缩算法--Fason算法。该算法在无明显质量下降的同时，对压缩速度有一定的提高。并且，Fason算法还能取消传统分形压缩算法中对域块池的空间需求。     

边界重叠图象的一种快速拼接算法

针对边界部分有重叠的图象,提出了一种基于网络的快速对准算法,并通过平滑因子对图象实现了无缝拼接。     

一种用于彩色图象量化的快速聚类算法

为了对彩色图象进行有效地压缩处理,提出了一种基于模式识别技术的图象量化新算法（FSCAMMD）,该算法首先把彩色图象中的颜色样本归为一类,并采用最大频度与类内最小距离最大相结合的方法选取初始类代表点--初始值优选法;然后采用欧氏距离聚类准则及重心法,求得新聚类域中心的向量值,从而得到了令人满意的量化效果。该算法不仅克服了SCA算法对聚类中心初始值选取的不足,较大幅度地减少了彩色图象量化后的总方差以及颜色失真度,而且较好地解决了重建彩色图象的整体层次与局部细节之间的矛盾,其量化效果优于SCA和其他一些聚类量化算法。     

一种彩色图象的非线性自适应滤波算法

本文提出了一种应用于彩色图象去噪和平滑的非线性自适应滤波算法,该算法应用微分算子确定被处理象素及其领域内的象素点是否为噪声点,在具有视觉统一性的色度空间中对图象进行高斯加权时,不仅去除噪声点的影响,而且应用分类准则,对象素及其领域内的点进行分类,选取同类点参加滤波,该方法有效抑制了噪声点的影响,提高了滤
滤波的视觉效益,实验证明了该算法的有效性。     

一种基于分类的融合算法

提出了一种基于分类的融合算法 ,可用于融合低分辨率多光谱影像和配准的高分辨率全色波段影像 .算法的主要步骤如下 :(1)将 1m高分辨率全色波段影像和 4 m低分辨率多光谱影像进行几何配准 ;(2 )采用监督或非监督分类算法对高分辨率影像和配准的多光谱影像进行统一分类 ;(3)根据每一类所对应的高分辨率全色波段影像直方图和相应的空间关系 ,对配准后单个波段的多光谱影像进行调整 .(4)采用柱状坐标系对调整后的多谱影像进行 HIS(Hue,Intensity,Saturation)变换 ,并反变换至 RGB(red,green,blue)彩色空间 ,从而得到融合影像 .以天安门附近 10 0× 10 0大小 IKONOS的 1m高分辨率全色波段影像和 4 m多光谱影像为例 ,对融合算法进行了验证 .实验结果表明 :(1)此算法可以融合分类信息、全色波段的高分辨率信息和多光谱波段的光谱信息 ,突出分类信息作为先验知识的重要性 [1 ] ;(2 )在精确分类的基础上 ,可部分消除目标物边界的假彩色现象 ,有较好的目视判读效果 ;(3)对融合过程中 ,先验知识与空间关系的加入作了一些有益的尝试 .     

基于特征网格的面部图象变形算法

面部图象变形技术是人脸建模的关键技术之一，为了模拟人脸器官（如眼、嘴、鼻和眉等）周围及人脸轮廓肌肉的运动，选择适合描述人脸及其器官轮廓的几何形状的若干特征点，并根据器官周围肌肉点运动机理，建立了面部图象变形的特征网络模型，该模型构造了两类控制器官运动的合成肌肉，即控制垂直方向运动的轮廓肌和控制水平方向运动的线性肌，由此，面部肌肉点拉动肌肉即可作垂直和水平方向运动，由于该特征网络模型可实现人脸器官精细的变形操作，并能依据器官的轮廓变化展开，符合人的认知过程，因此，与其他算法相比，其变形效果更加自然，图象变形更加精确。     

一种基于神经网络的图象细化算法

本文将细化处理作为一种识别过程看待,对每一个图象象素要么指定为骨架点,要么指定为非骨架点,利用神经网络理论中的多层感知器模型,实现了基于神经网络的图象细化算法,该方法具有很强的抗噪声能力并能提高运算速度。     

一种新的数字图象置乱隐藏算法

基于骑士巡游问题（Knight-tour problem),提出了一种新的图象置乱算法,该算法主要有两步：求骑士巡游矩阵和按巡游矩阵作图象置乱变换。对于求骑士巡游矩阵提出了“智能试探－智能试探－智能回溯算法”,克服了传统的“试探－回溯算法”的不足,提高了求骑士巡游矩阵的效率所提出的图象置乱隐藏算法,优于已有算法的地方是密钥量大和加密解密速度快;从而增加了图象及其隐藏信息的安全性和应用性。     

一种基于相对熵的图象分割算法

提出了一种基于相对熵的图象分割算法，该算法的主要思想是通过相对熵来选择阈值，现场颗粒物料图象作为一个应用实例，在本文中得到验证，实验结果表明，提出的算法优于基于局部熵的图象分割算法。     

一种用于多阈值图象自动分割的混合遗传算法

模糊Ｃ－均值算法是一种比较有效的数据聚类方法,遗传算法则是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应的搜索算法,该文有机地利用遗传算法与模糊Ｃ－均值算法,并考虑图象的二维灰度信息,提出了一种适用于多阈值图象自动分割的新方案。该方案能够快速正确地实现分割,且不需要事先认定分割类数,实验结果令人满意。     

二值图象标记的一种快速算法

在数字图象处理中,阈值分割方法是应用最广泛的分割方法之一,它输出一幅二值图象,其背景和目标象素分别具有灰度值0和1,对这样的二值图象,经常需要对目标进行标记。本文提出了一种新的二值图象标记算法,该算法利用一个映射表快速实现标记过程。     

基于IFS理论的快速图象编码和解码算法

分形图象编码法具有高压缩比、高图象品质等显著优点，但其编码时间太长。文中提出的快速编码算法，用偏差图导出距离度量，用二叉树和链表结构进行搜索匹配，可使编码速度提高几十倍乃至百倍。同时，用偏差图进行解码迭代，可使解码过程加速，而还原图象质量不变。