基于权重学习的图像最大权对集胚配模型

在图匹配模型中权重的设置对匹配性能有很大影响,但直接计算的权重往往不符合匹配图像的实际情况。为此,参照二次分配问题的图匹配学习思想,给出一阶和二阶最大权对集模型的权重学习计算方法。一阶最大权对集模型直接采用图像特征点作为图的顶点,而二阶最大权对集模型则采用某些特征点之间的连接边作为顶点,2个模型都可以通过Kuhn—Munkras算法求解。一阶最大权对集模型在本质上等价于二次分配问题的线性情况。在CMUHouse数据库上的图像匹配实验结果表明,二阶最大权对集模型优于一阶最大权对集模型,且两者在学习计算时的性能也优于直接计算的情况。     

基于最大权团的曲面粗匹配算法

提出一种将曲面匹配问题转化为图论中的最大权团搜索问题、将最优的点对应关系用最大权团表示的曲面粗匹配算法,该算法分为点匹配、点对应图构造和最大权团生成等3个阶段.点匹配使用高曲率点和均匀采样点作为候选点,通过自旋图进行匹配计算,构造初始点对应集合;点对应图构造使用距离约束、法矢约束和唯一性约束构造图的边,并使用自旋图相关系数为顶点赋权值;最大权团生成使用基于分支限界的团搜索算法,从对应点图中提取出代表最优对应的最大权团.实验结果表明,文中算法稳定、有效、可扩展,能够进行部分曲面匹配,并且适用于欠特征曲面.     

基于视觉传达的显著图像特征权重自匹配仿真

采用当前方法对图像特征权重进行匹配时,未使用可控滤波器提取图像特征,进行了重复多次的卷积运算,导致特征权重自匹配所用的时间较长、权重自匹配精度较低。提出基于视觉传达的显著图像特征权重自匹配方法,在高斯函数二阶导数的基础上建立可控滤波器,通过建立的可控滤波器提取图像的特征,获取显著图像特征能量值,为图像特征权重的匹配提供依据。计算图像特征对应的自适应权值,采用比值方法获取待匹配点的相关度,结合待匹配点的相关度和自适应权值构建聚合代价函数,通过聚合代价函数完成图像特征权重自匹配。仿真结果表明,所提方法的匹配时间短、匹配精准度高。     

改进的基于《知网》的词汇语义相似度计算

针对当前基于《知网》的词汇语义相似度计算方法没有充分考虑知识库描述语言对概念描述的线性特征的情况,提出一种改进的词汇语义相似度计算方法。首先,充分考虑概念描述式中各义原之间的线性关系,提出一种位置相关的权重分配策略;然后,将所提出的策略结合二部图最大权匹配进行概念相似度计算。实验结果表明,采用改进方法得到的聚类结果F值较对比方法平均提高了5%,从而验证了改进方法的合理性和有效性。     

基于点特征的旋转图像匹配新方法

图像匹配在模式识别、图像分析和计算机视觉中有着广泛的应用.图像匹配是将模板在参考图中逐像素移动,计算它们的灰度相似性,搜索相似性最大的位置.这种逐像素的搜索方法计算复杂度高.如果模板和参考图之间存在旋转,传统的匹配方法很难实时实现.提出了一种基于点特征的旋转图像的匹配方法,首先采用Harris角点检测算子提取图像的特征点,然后利用小面模型对特征点邻域进行拟合,提取特征点的旋转不变特征,最后利用特征点的旋转不变特征进行点集的匹配,获取图像的平移和旋转参数.该方法匹配结果准确,与传统的相关匹配方法相比计算复杂度很小,易于实时实现.     

基于容积约束Power图的图像分片逼近

给出一种在容积约束Power图结构上的图像分片多项式逼近方法.将Power图的权重与图像颜色信息相关联,设计了一种带容积约束Power图的顶点位置与权值交替优化的图像逼近算法.该算法运用误差反馈机制以及图像显著性检测等方法生成密度函数图像,并根据原始图像的颜色信息和得到的密度函数图像分两次来指导初始化点集生成,通过构建最终的Power图来逼近目标图像.利用Power图对目标图像进行区域分割,定义了度量逼近误差的带容积约束的优化能量函数,分别计算能量函数关于位置和权重的梯度,将原问题分解为两个子问题分而治之,借助密度函数图像生成的高效初始化点分布,通过不断更新Power图的顶点位置和权值得到相对较优的Power图,最终拟合出逼近图像.实验结果表明,该算法能够较好地逼近彩色图像,并有效保持了图像显著区域的特征.     

多尺度密集网络在红外和可见光图像融合应用

为了进一步提升红外和可见光图像的融合效果,提出了一种基于多尺度卷积算子和密集连接网络的图像融合模型.该模型首先使用多尺度卷积算子计算图像的直接多尺度特征,然后使用密集连接网络计算图像的间接多尺度特征.为了得到图像像素信息在不同尺度下的融合权重,通过叠加的方式将各个尺度密集连接网络的输出进行融合,并使用活动图方法计算两类图像的融合权重,最后根据权重计算结果得到融合图像,实验在THO数据集和CMA数据集获得较好的识别率.     

一种新型的PCB图像快速配准算法

PCB图像配准是进行自动光学检测的关键步骤。PCB中往往存在许多相似图形和区域,一般特征点提取和匹配方法效率低,且容易产生误匹配。提出一种以PCB图像中特定几何图形的中心作为特征点,基于相似三角形约束的快速配准算法。提取实测图和标准图中圆形和方形的中心点集进行DT剖分,找出两幅图三角网中的相似三角形集,再对相似三角形的中心点集进行二次剖分和比对,以增强匹配的可靠性。实验证明:该方法计算速度快、匹配正确率高,且能得到均匀分布的正确匹配点。     

图像点模式匹配的一种凸包序列的图谱方法

利用点集的凸包具有仿射不变性和局部可控性,针对图谱方法难以精确匹配旋转角度较大图像的问题,提出了图像点模式匹配的一种凸包序列的图谱方法,使得匹配在图像旋转角度较大的情形下仍具有稳定性。构建图像特征点集新的图模型（凸包）,利用改进的图谱方法对凸包进行匹配,并减小原始特征点集,迭代上述过程,通过构造凸包序列,自特征点集的外围到内部逐步匹配,得到较精确的匹配对。实现基于凸包序列的图谱方法的图像点模式匹配。实验结果表明,该方法不但能精确匹配旋转角度较小的图像,而且对于旋转角度大的图像以及多光谱图像匹配精度也较高。     

混合阶通道注意力网络的单图像超分辨率重建

目前用于图像超分辨率重建的通道注意力机制存在注意力预测破坏每个通道和其权重的直接对应关系以及仅仅只考虑一阶或二阶通道注意力而没有综合考虑优势互补的问题,因此提出一种混合阶通道注意力网络的单图像超分辨率重建算法。首先,该网络框架利用局部跨通道相互作用策略将之前一、二阶通道注意力模型采用的升降维改为核为k的一维卷积。这样不仅使得通道注意力预测更直接准确,而且得到的模型相比之前的通道注意力模型更简单;同时,采用改进一、二阶通道注意力模型以综合利用不同阶通道注意力的优势,提高网络判别能力。在基准数据集上的实验结果表明,和现有的超分辨率算法相比,所提算法重建图像的纹理细节和高频信息能得到更好的恢复,且在Set5和BSD100数据集上感知指数（PI）分别平均提高0.3和0.1。这表明此网络能更准确地预测通道注意力并综合利用了不同阶通道注意力,一定程度上提升了性能。     

基于优化RANSAC算法的二次元快速稳定配准

针对检测零件缺陷的二次元光电检测仪的速度和稳定性要求,提出了一种加入预匹配的快速稳定的RASNSAC匹配方法.首先对零件图像轮廓区域矩分析以及轮廓多边形逼近以及对其CAD标准档进行解析计算得到图像轮廓和CAD图的重心、主轴方向以及特征点集,然后通过重心和主轴对零件图像和CAD图进行预匹配,最后利用RANSAC对预匹配后的特征点集进行快速匹配.实验结果表明,此改进算法显著地提高了图像的匹配速度和稳定性.     

基于多头图注意力网络与图模型的多标签图像分类

多标签图像分类是多标签数据分类问题中的研究热点.针对目前多标签图像分类方法只学习图像的视觉表示特征,忽略了图像标签之间的相关信息以及标签语义与图像特征的对应关系等问题,提出了一种基于多头图注意力网络与图模型的多标签图像分类模型(ML-M-GAT).该模型利用标签共现关系与标签属性信息构建图模型,使用多头注意力机制学习标签的注意力权重,并利用标签权重将标签语义特征与图像特征进行融合,从而将标签相关性与标签语义信息融入到多标签图像分类模型中.为验证本文所提模型的有效性,在公开数据集VOC-2007和COCO-2014上进行实验,实验结果表明, ML-M-GAT模型在两个数据集上的平均均值精度(mAP)分别为94%和82.2%,均优于CNN-RNN、ResNet101、MLIR、MIC-FLC模型,比ResNet101模型分别提高了4.2%和3.9%.因此,本文所提的ML-M-GAT模型能够利用图像标签信息提高多标签图像分类性能.     

混合阶通道注意力网络的单图像超分辨率重建

目前用于图像超分辨率重建的通道注意力机制存在注意力预测破坏每个通道和其权重的直接对应关系以及仅仅只考虑一阶或二阶通道注意力而没有综合考虑优势互补的问题，因此提出一种混合阶通道注意力网络的单图像超分辨率重建算法。首先，该网络框架利用局部跨通道相互作用策略将之前一、二阶通道注意力模型采用的升降维改为核为k的一维卷积。这样不仅使得通道注意力预测更直接准确，而且得到的模型相比之前的通道注意力模型更简单；同时，采用改进一、二阶通道注意力模型以综合利用不同阶通道注意力的优势，提高网络判别能力。在基准数据集上的实验结果表明，和现有的超分辨率算法相比，所提算法重建图像的纹理细节和高频信息能得到更好的恢复，且在Set5和BSD100数据集上感知指数（PI）分别平均提高0.3和0.1。这表明此网络能更准确地预测通道注意力并综合利用了不同阶通道注意力，一定程度上提升了性能。     

基于等距二分图的三维模型局部对齐

针对已有等距映射算法缺少局部特征约束所导致的错误对齐问题,提出等距二分图三维模型对齐算法.首先根据三维模型的多尺度特征得到匹配锚点;然后计算采样点到锚点的测地距离,形成等距二分图的对齐代价矩阵;最后采用二分图的最大权重匹配得到等距映射结果.实验结果表明,该算法能够解决不同姿态下的三维模型局部对齐问题,并且优于已有算法.     

大型网络中近似子图匹配研究

为降低噪声对近似子图匹配准确率的影响,提出一种改进的近似子图匹配方法。在预处理阶段,利用k-近邻顶点集为数据图中的每个顶点建立标签-权重向量索引。在查询过程中,基于单个近邻标签的权重距离和所有近邻标签的整体匹配程度进行两级过滤,生成顶点候选集,采用生成树匹配和图匹配的方式确定查询图在大型网络中的位置。在真实数据集上的实验结果表明,该方法具有较高的执行效率和匹配准确率。     

指纹图像的识别与分类

指纹作为人体重要的生物特征,其在身份识别领域应用越来越广泛,如何正确识别匹配一组指纹已成为全社会关注的焦点。本文首先建立基于Shi-Tomasi角点检测的指纹特征点提取模型,提取出指纹图像的特征点,基于此,建立基于最短路径角度向量和层次聚类的指纹分类模型,找到每张图像中每个特征顶点相邻最近的两个点,计算三点构成的顶角角度的大小,依此计算每张指纹图像所有特征点的最短路径角度,并构成对应的最短路径角度向量。最后提出采用层析聚类对不同指纹图像的最短路径角度向量进行分类,以此来体现不同指纹间的异同及相似程度。     

基于图的直方图及路径相似性的图匹配方法

针对图结构在一些非刚性变换下谱特征不稳定等问题,提出一种基于几何关系直方图及路径相似性的图结构信息的描述方法,并在此基础上利用谱分析方法实现图的顶点匹配.首先通过图的直方图给出了一种图顶点的特征描述并初始化候选匹配关系,再基于最短路相似性给出一种匹配关系之间的亲和性的度量,最后采用谱方法求解2个特征点集之间对应关系,实现图的顶点的匹配.与传统的描述方法不同,该方法是利用图的直方图及路径相似性来描述图的结构信息,结构简单,信息描述充分.实验结果表明,文中方法对于一些扰动前后的图的匹配具有较高的匹配准确度.     

保特征的单幅图像三维网格重建EI北大核心CSCD

针对图像重建三维物体方法中存在无法保持物体尖锐特征的问题,基于深度神经网络,对输入单幅图像提出一种有效的保特征三维网格生成方法.对单幅输入图像使用VGG-16提取图像特征,并特别设计了图像边缘检测层获取物体的尖锐特征;将三维网格(初始为椭球)的顶点投影到特征图和边缘检测图上,以获得顶点局部特征,并判断其是否为尖锐特征点;然后,将局部特征和顶点位置串联输入到改进的图卷积神经网络(graph convolutional neural network, GCNN),对于非尖锐特征点采用普通GCNN,对于检测到的尖锐特征点采用0邻域图卷积神经网络(0-neighborhood GCNN, 0N-GCNN),以期其尽量不被邻域顶点过度光滑;GCNN的输出预测了顶点的新位置和三维特征;最后,对网格的顶点及特征用Loop细分上采样.执行3次上述变形(二维特征投影、尖锐特征检测、GCNN变形、上采样)后,初始椭球最终变形为输入图像中物体模样.实验使用ShapeNet数据集,在PyTorch框架下实现,从定性和定量两方面与现有方法进行了比较.实验结果表明,在Chamfer距离和F-score两类定量指标上均优于大部分现有方法,而Chamfer距离和F-score(2τ)的均值表现为最优.视觉比较也表明,文中方法可有效地提升特征保持性能.     

改进型加权KNN算法的不平衡数据集分类

K最邻近(KNN)算法对不平衡数据集进行分类时分类判决总会倾向于多数类.为此,提出一种加权KNN算法GAK-KNN.定义新的权重分配模型,综合考虑类间分布不平衡及类内分布不均匀的不良影响,采用基于遗传算法的K-means算法对训练样本集进行聚类,按照权重分配模型计算各训练样本的权重,通过改进的KNN算法对测试样本进行分类.基于UCI数据集的大量实验结果表明,GAK-KNN算法的识别率和整体性能都优于传统KNN算法及其他改进算法.     

基于自适应权重的立体匹配优化算法

为解决现有立体匹配算法对低纹理以及视差不连续区域匹配效果较差的问题,提出一种改进的立体匹配优化算法。在传统自适应权重算法匹配代价的基础上,融合高斯差分图像差分信息,即左右图像高斯差分图的差分,重新定义其初始匹配代价,增加算法在视差不连续区域的鲁棒性,并加入边缘约束和视差边缘约束迭代聚类以及基于高斯差分图的自适应窗口算法,保证改进算法在低纹理区域的匹配性能,消除坏点与视差空洞。将该算法与传统自适应权重匹配算法分别在Middlebury数据集上进行匹配实验,结果表明,该算法平均性能提升了15.05%,明显优于传统自适应权重匹配算法。