一种改进的快速SUSAN角点检测算法

着重分析SUSAN角点检测速度慢的缺点,提出改进的快速SUSAN角点检测算法。该算法首先比较待测点与其周围半径为R的圆周上像素的灰度,统计连续的具有非相似灰度值的像素个数,根据判定准则得到初始角点,再使用非极值抑制函数选择最优角点。实验结果表明：该改进算法有效地减少角点检测过程的计算量,使得角点检测的效率大大提高。     

一种快速自适应的角点检测算法

基于SUSAN原则提出了一种新的快速自适应角点检测算法,在几个方面进行了改进:以局部自适应阈值代替整个图像的固定阈值,提高了算法的自动处理能力;改进了响应函数,仅通过扫描模板边缘像素获取更多的角点信息,也简化了计算步骤;通过预处理,逐步缩小候选角点的搜索范围.实验证明,这是一种快速有效的角点检测方法.     

基于Harris角点检测的改进算法研究

经典的Harris算法在提取图像的角点上具有计算简单、适应性强等优势,但该方法由于人为设定单一阈值,容易出现伪角点、漏检点及运行速度不理想等现象。针对这一情况,文章在传统Harris算法基础上提出一种新的检测方法,采用多阈值的圆形非极大值抑制法提取角点,以此降低算法检测时间并增强图像旋转不变性,再借鉴SUSAN思想消去大部分伪角点。通过实验对比,该算法具有更好的角点检测性,为后期的图像配准奠定了良好的基础。     

一种改进的基于Harris的角点检测方法

在研究Harris角点检测算法时发现该算法对一些图像进行角点提取时,存在提取伪角点、角点信息丢失和位置偏移,而且在进行非极大值抑制时不易设置阈值等现象.提出了在进行非极大值抑制时采用双阈值法,分别设置一个相对大和一个相对小的两个阈值,从而得到同一图像不同阈值的角点信息,通过角点信息对比能够很好地解决角点信息丢失和位置偏移并能消除一部分伪角点,然后利用SUSAN的思想消除剩余的伪角点.通过对比实验表明,文中算法提取角点非常有效,比Harris算法具有更好的角点检测性能.     

一种快速自适应RSUSAN角点检测算法

根据图像边缘灰度的渐变性,我们重新定义SUSAN(Small Univalue Segment Assimilating Nucleus)算法中小核值相似区;并找到一种更为有效和简便的计算小核值相似区面积的方法;在此基础上提出了RSUSAN(Redefined SUSAN)角点检测算法。与经典的角点检测算法SUSAN、MIC(Minimum Intensity Change)相比,RSUSAN具有角点检测准确性高,计算简单,运算速度大为提高等优点。对于模糊、噪声大的图像本文还进一步提出了采用自适应平滑和RSUSAN相结合的方法,称为自适应RSUSAN算法。实验证明,相比较SUSAN、MIC算法而言,自适应RSUSAN算法没有显著地增加计算量,而且在对模糊、噪声大的图像进行角点检测时,虚报及漏检概率大大减少,对噪声的鲁棒性好,角点检测位置精确。     

基于SUSAN算法的角点检测

角点是图像目标的重要的局部特征,角点检测是低层次图像处理的一个重要方法。介绍SUSAN算法的原理,介绍该算法在角点检测中的应用,对实验结果进行了比较,并对该算法进行评价,给出评价角点检测算法的标准。     

一种改进的灰度图像角点检测算法

针对SUSAN 角点算法在检测某些“X”型角点时会失败的局限, 提出了一种有效的提取灰度图像中的角点的算法。新算法在分析SUSAN 算法仅仅考虑USAN 区域的面积这一局限性的基础上, 通过增加一个考察USAN 区域之形状的步骤实现了对所有“X”型角点的有效提取。实验结果表明, 改进的算法在计算量相当的情况下提高了角点检测的准确性。     

基于B样条的改进型Harris角点检测算法*

在研究Harris角点检测算法时发现由于该算法采用高斯低通滤波进行平滑,因而对一些图像进行角点提取时,存在角点信息丢失和位置偏移等现象,而B样条函数可以收敛于高斯函数,并具有良好的逼近能力和紧支性等一些优秀的性质,从而基于B样条函数提出了一种改进的Harris角点提取方法。实验表明,该方法对提取角点非常有效。     

SUSAN角点检测算法稳定性改进研究

SUSAN算法在图像旋转和有噪声的情况下是比较稳定的角点检测方法,但也有漏检和误检的问题。针对其缺陷,提出改进的角点检测方法。改进的办法是将原方法的SUSAN核同值吸收区,替换为在响应圆域内与核像素点灰度值相同,且与核像素点邻接连通的区域。通过改进,避免了原方法漏检和误检的问题,仿真试验结果证明改进方法的正确性和有效性。     

基于层次Voronoi图的点群相似度算法

通过对空间点群的自适应聚类方法构建层次Voronoi图,以此层次Voronoi图为切入点,计算点群的拓扑、密度和范围的相似度,结合有关标准差的数理统计方法,计算角度、距离的相似度。在各维度的相似度基础上,使用其几何平均值作为点群整体相似度的度量标准,优化点群相似度的计算方法,并通过实验证明算法的可行性     

一种组合主动轮廓线模型算法

本文针对传统主动轮廓线模型(Snake模型)无法检测凹陷目标轮廓的缺陷,提出了一种由全局Snake模型和局部Snake模型两部分组成的组合Snake模型。组合模型首先使用全局Snake模型进行轮廓粗检测,并使用SUSAN算子检测目标轮廓上凹陷最“深”的凹点;然后,在凹点附近的局部区域,使用局部Snake模型进行轮廓凹陷部分的检测;其后以其替代使用全局模型检测出的目标轮廓的相应部分,形成最终检测的目标轮廓。实验结果表明,本算法具有较好的检测精度和抗噪性。     

基于图像清晰度的快速自动聚焦算法

提出了一种新的快速自动聚焦算法;通过梯度阈值处理提高聚焦图像的信噪比,对选取的聚焦窗口采用图像边缘点判据与改进的Tenengrad聚焦函数相结合的方法,通过自适应变步长登山搜索算法实现了自动聚焦过程从快速粗调到精确细调的过渡;验证结果证明该算法和实际聚焦过程吻合,比已有的聚焦算法在聚焦可靠性、速度及灵敏度上有较大提高。     

基于多判据的散乱点云特征点提取算法

为了有效获取散乱点云中的尖锐特征点和边界特征点,提出一种利用多判据融合的特征点提取算法。首先利用一种改进的k-d tree构建点云拓扑,搜索样点的K局部邻域;然后利用法向夹角判定准则、核密度判定准则、场力和判定准则分别求取各个样点局部邻域的三个特征参数,最后通过加权计算特征参数得到每个样点的特征值与全局判定阈值,特征值比阈值大的点即为特征点。实验证明,该算法能有效的获取散乱点云中边沿特征点与尖锐特征点。     

基于遗传二进制粒子群混合算法的测试点决策研究

测试点选择是测试性分析和设计的前提。通过对测试问题的分析,建立了数学模型和构造了衡量测试集优劣程度的启发式函数,提出了一种遗传-二进制粒子群混合算法求解满足测试性指标要求的最小完备子集。应用实例表明,该算法能够有效的克服单一算法陷入局部最优和早熟收敛等不足,提高了搜索效率,能够有效快速的获得全局最优解。     

改进GVF的自动Snakes模型

针对Gradient vector field Snakes模型轮廓线需人工初始化的问题及GVF场强分布不合理所导致的模型效率低下和角点定位精度低的问题,在分析GVF场强分布和模型迭代变形原理的基础上,改进原始GVF Snakes模型:模型以SUSAN算法提取的边缘点集构建GVF Snakes模型的初始化轮廓线;并依据图像SUSAN边缘线和模型迭代变形原理局部修正和整体调整GVF场强分布,以符合模型高效迭代变形和对角点、细边缘精确定位的需要。理论分析和实验结果表明,改进GVF的自动Snakes模型提高了模型的计算效率,对细边缘和角点有更高的定位精度。     

采用差分进化算法的点扩展函数估计

在图像处理的非盲复原算法中,对点扩散函数PSF（Point Spread Function）的估计是否准确,将直接影响图像复原质量的好坏。传统的估计方法有直接测量法和间接估计法,但往往数据量大,计算繁琐,针对这一问题,从全局寻优的角度出发,提出利用差分进化算法来估计点扩散函数。实验结果表明差分进化方法可以取得很好的效果,为下一步设计恢复滤波器奠定了基础。     

多阈值提取平面点云边界点的方法

针对基于切片技术的点云数据重建算法需要提取切片内点云边界点,及现有算法效率低、提取效果不好等问题,提出一种多阈值提取平面点云边界点的算法。通过选取判断点的k个近邻点,计算相邻两点与判断点连线间夹角,由于边界点必存在最大夹角,通过判断最大夹角是否超过设定阈值,从而快速提取边界点。通过对阈值设值分析,不同点云数据的边界提取实验及几种方法间比较,该方法不受点云形状影响,均能较好提取边界点,且优于其他3种算法。结果表明该方法在保证原始点云特征信息的前提下,可较好提取边界点,提高后续点云重建速度与效率。