横截面算法和Snake模型在中心线提取中的应用

中心线是图像几何形态的一种重要拓扑描述.文中提出一种从三维图像中获取树状物体的中心线方法.先利用横截面算法快速将初始中心线定位于目标附近,然后采用Snak e模型和距离变换方法将初始中心线引导到准确位置,有效地解决了因Snake初始位置偏离目标太远而导致的收敛速度慢和部分点收敛于局部极值点的问题.     

利用邻域质心投票从分类后影像提取道路中心线

目的 利用分类算法对高分辨率影像中的道路进行分割时,得到的二值图像往往混杂了许多非道路区域,且道路区域呈面状,无法直接应用于生产与研究。针对该问题,提出一种利用邻域质心投票提取道路中心线的算法。方法 首先检测像素在各方向上的连通距离以构建邻域多边形,随后进行质心投票来提取道路的中心线,与此同时估算道路宽度并判断出连通距离较长的方向数目,以排除非道路区域的干扰,最后经形态学处理得到细化的中心线。结果 选取测试图像及具有不同道路分布特征的高分辨率航空影像的分类结果进行实验,并将该算法与Zhang和Couloigner提出的算法进行了对比分析。结果显示,该算法的提取质量为80.6%和79.0%,且计算效率较高,处理实际影像的用时小于参考算法的20%,此外在稳定性及对不同路宽的适应性等多个方面均具有优势。结论 提出一种邻域质心投票算法,该算法能够同时实现传统方法中提纯与中心线提取两个步骤所对应的功能,从分类影像直接提取道路中心线。实验结果表明,该算法能够根据形状特征有效检测道路,且具备一定抗干扰能力,适用于对混杂了非道路区域的高分辨率影像的分类结果进行处理。     

激光光条中心线提取研究综述

激光光条中心线提取在视觉测量、三维重建等领域具有重要的作用.介绍了不同类型的中心线提取模型,并且回顾了这些模型的转变和创新.具体来说,根据模型采用的核心算法,将中心线提取模型分为传统提取模型和基于深度学习的提取模型;传统中心线提取模型又分为极值模型、灰度重心模型、曲线拟合模型、基于Hessian矩阵的Steger模型和...     

CT冠脉造影中冠状动脉中心线的提取

提出了一种冠状动脉中心线的提取方法,该方法以FastMarching(快速行进)算法为基础,首先对图像进行下采样,接着使用血管增强滤波器对图像进行滤波,然后利用FastMarching算法提取下采样图像中初始点之间的最短路径,并使用最短路径在原始图像上计算冠状动脉中心线。在公共数据集上的验证实验表明,该方法具有较好的鲁棒性和准确性。     

模糊及强噪声条件下中心线的提取

提出一种“重心预取多尺度求精”的中心线提取算法,即利用重心估算大致的中心线,并在线上的关键点附近,特别是分叉处进行多尺度求精,从三维图象中提取树状分支物体的中心线,该算法综合了重心法估算的简单性和尺度空间分析法的准确性等特点,特别适合在边界模糊、强噪声条件下的应用。该算法已成功地应用在医学ＣＴ心脏三维图象的可视化中,文中同时说明了如何从中心线生成曲截面展开图,首次实现了分支血管的曲截面显示。     

一种基于脊线跟踪的冠状动脉中心线提取方法

冠脉血管中心线的提取是血管造影图像定量分析中的关键步骤。基于脊线跟踪法，提出了一种血管中心线自动提取方法。通过交互式地指定一个起始点和一个终止点，该算法能够自动获取两点间的血管中心线。实验结果表明了该方法的鲁棒性和可重复性。     

基于格网相交的遥感影像道路中心线提取方法

为从遥感影像中获得可用于建模的道路中心线矢量数据,首先利用成熟光谱反射(面向对象图像分类)方法,自动判读出道路范围,继而使用转化工具得出道路范围的矢量轮廓;通过添加辅助线与轮廓相交、提取线段中心点的方式得出道路中心线上的点集;最后设计工作流对点集进行排序处理,最终转化成可以用于规则建模的道路矢量数据.结果表明上述方法可...     

应用于造影图像的血管中心线全自动提取方法

针对传统血管中心线提取方法计算量大、需大量人工介入操作的问题,提出一种全自动的血管中心线跟踪提取方法.首先根据血管尺度设计不同的Frobenius范数对血管进行自适应增强,并基于血管灰度分布构造多尺度微分算子以建立判别函数,从而获得种子点的初始位置和跟踪方向;然后在初始方向局部弧长范围内优化检测新的脊点与跟踪方向,以确保在有较大误差干扰的情况下依然能够获得正确的脊点位置;最后利用血管拓扑结构特征检测方法剔除伪血管中心线.实验结果证明,该方法无需人工介入即可准确地在冠脉造影图像中提取出血管中心线、方向矢量等信息,可被用于临床心血管疾病的计算机辅助诊疗过程.     

二维图象特征点快速提取算法

三维立体重建中的主要难题之一就是如何有效选择兴趣点，虽在文献[2]-[5]中提出了各种算法，但这些方法计算量大，且不能有效抑制干扰噪声，对光照条件的要求也十分苛刻，基于此，提出了一种二维图象特征点快速提取方法，通过与文献[2],[4]中方法就特征点识别与提取结果的实验对比，证实了该算法具有抗干扰能力强，对外界光照条件适应性强及处简单，运行速度快等显著特点，通过对一具有已知三维坐标的标准件的三维重建，证实了该算法的有效性，采用该算法所提取的特征点具有较高的准确性。     

高分辨率航空图像的道路中心线提取法

在高分辨率航空或卫星图像中提取道路特征具有越来越重要的实际意义。道路与背景通常存在灰度差异,论文首先求取高斯平滑图像的偏导数,进而确定图像中的脊点,然后根据连接准则连线,再构造判别规则删除道路虚警,最后利用Canny边缘图修正道路中心线。算法还对交点区域进行了有效处理。实验证明,该方法在一定程度上能够消除树、建筑物阴影和汽车对道路提取造成的影响,提取的道路中心线比较准确,能为道路网检测的后续处理提供重要的数据支持。     

动态环境下的激光条纹中心线提取方法

线结构光三维视觉测量技术最关键的一步是提取出结构光图像中的激光条纹中心线;针对动态测量环境下激光条纹图像存在复杂背景信息、激光光强分布不均、光带各部分宽度差别大、激光条纹断裂等问题,文章研究了一种适用于动态测量环境的激光条纹中心线提取方法;首先通过图像预处理以及自适应裁剪算法提取出感兴趣区域(ROI,region of interest);其次通过改进型伽马校正(IGC,improved gamma correction)以及改进型变阈值大津阈值分割算法(IVT Ostu,improved variable threshold)分割出激光条纹区域;然后使用二维灰度重心法(TD-GBM,two-dimensional gray baryeentric method)提取激光条纹的初始中心线;最终使用二次优化算法对初始中心线进行优化,精确地提取出激光条纹中心线;实验结果表明,相比于灰度重心法、Steger法等算法,文章所提方法受背景干扰以及激光条纹质量的影响较小,能够在多种复杂情况下更精确地提取激光条纹中心线,满足准确性高、稳定性强以及实时性好的要求.     

经典边缘检测的快速算法

边缘检测是图像处理的重要步骤，在许多实际应用中检测速度是至关重要的。本文在分析传统经典边缘检测算子内在结构的基础上，提出了一种有效的快速算法，实验表明随着图像尺寸的增大，该算法可比经典计算方法快10倍以上。     

关联规则的快速提取算法

针对基于频繁项集的关联规则挖掘算法效率低,需要多次扫描数据库且生成冗余候选项集问题,该文利用频繁项集的Aprior性质和概念格的基本思想提出一种关联规则提取算法,利用极大频繁项集来进行规则提取,去除了多数冗余的候选项集,提高了提取效率。     

基于边界距离场的管腔中心路径自动提取算法

首先计算三维空腔目标的精确边界距离场,然后建立基于该距离场的代价最大生成树,最后从生成树中提取中心路径.实验结果表明,精确的边界距离场使得提取的中心路径更加精确,而快速算法的应用提高了该算法的效率,获得的结果可直接用作虚拟内窥镜的漫游路径.     

一种快速边缘检测算法

边缘检测是对图像中像素值的不连续性的度量、检测和定位,是图像分析领域中的一个基础问题.基于斜面分解的非对称逆布局图像表示方法(IDNAM)借鉴斜面拟合和逆布局的思想,使用矩形斜面子模式(RIP子模式)实例的集合来表示图像.基于IDNAM,提出一个RIP子模式内的理想边缘模型,将RIP子模式内的边缘分成五种,并给出了每一种边缘的强度和方向的计算公式.为了消除噪声对边缘检测结果的干扰,提出了RIP子模式内边缘存在性判定条件.根据理想边缘模型和判定条件,提出了一种基于IDNAM的边缘检测算法.理论分析和实验结果均表明,基于IDNAM表示的边缘检测算法的处理速度较传统的边缘检测算法更快.     

改进的基于色彩信息的人脸快速定位算法

研究提出了一种改进的基于色彩信息的人脸检测算法.在优化了传统的肤色分割算法的基础上,改进了针对眼睛和嘴巴区域的检测,并借助一定的先验知识简化了检测的步骤,提高了检测精度,最后在肤色区域内通过检测出的特征点定位出人脸.实验表明,该算法简单有效,能够较为准确的定位人脸区域.尤其对于需要快速定位人脸的研究有着一定的参考价值.     

一种重复视频的快速检测算法

随着网络多媒体应用的增加,各种网络视频应用需求大规模重复视频检测的方法,尤其对检测的快速和有效性要求逐渐增高.提出一种基于多层视频内容分析的快速有效检测重复视频的算法.从视频关键帧中提取的局部特征采用一种新的自适应局部敏感哈希算法进行索引.通过样本学习并设定一些参数,使检索过程不需要进行高维距离计算,从而有效的提升了处理速度.检索得到的特征向量备选集经过特征过滤和两层匹配方法完成重复视频的检测流程.在标准数据集上的实验表明,与其他最新的方法相比,本文提出的算法有效的提高了大规模重复视频的检测速度.