融合全局和局部特征的人脸识别算法

针对人脸识别算法缺乏对光照变化的自动调节能力的弱点,提出了一种综合利用全局和局部特征进行人脸识别的新方法。对整幅人脸图像进行主成分分析;针对人脸局部特征,提出一种根据各局部子块包含的信息量即利用图像熵值进行自动加权的算法;基于贝叶斯原理对全局和局部特征进行数据融合,给出最终结果。实验结果表明,该数据融合算法综合全局和局部特征提取方式的优势,有效提高了人脸识别率。     

一种新的基于局部特征统计的小目标检测方法

提出了一种新的基于局部特征统计的红外图像小目标检测方法。对图像的局部区域灰度概率进行统计,通过阈值分割去除图像中缓慢变化的背景点和弱的边缘点,得到包含强的边缘点、噪声点和目标点的残留图像,利用残留图像内各点的局部方向信息测度的差异,进一步剔除强的边缘点。通过多帧累加判决的方式将真实目标从噪声点中检测出来。实验表明,该方法能够极大地减少候选目标点数,准确有效地检测复杂自然背景中的红外运动弱小目标,适合于实时和多目标的检测。     

基于局部梯度强度图的动态规划检测前跟踪算法

针对传统动态规划检测前跟踪(DP-TBD)算法在背景复杂度高且信噪比低的红外弱小目标图像中检测概率低的问题,提出了一种基于局部梯度强度图的动态规划检测前跟踪(LIG-DP-TBD)算法。该算法首先采用局部梯度强度算法(LIG)对帧序列图像进行预处理,从而得到一个新的量测模型;再根据相邻帧值函数的相关性,构造一种全新的值函数;利用动态规划检测前跟踪算法(DP-TBD)对新的值函数进行多帧积累,从而实现对弱小目标的检测前跟踪。蒙特卡洛仿真实验结果表明,在信噪比低于4 dB的情况下,该算法的检测概率较传统DP-TBD算法和DBT算法相比提高了约10%。同时,在背景复杂的真实红外弱小目标序列图像中,该算法可以在恒定虚警率条件下有效地进行弱小目标的检测前跟踪,提高了目标的检测概率。     

基于边缘和局部熵融合的视觉安全性评估方法

针对基于局部熵进行加密图像视觉安全性评估存在块效应的局限性，引入图像的边缘特征，通过共有边缘来衡量加密图像与原始图像的边缘相似度，消除了块效应。由于局部熵对加密等级低的图像不敏感，边缘相似度对加密等级高的图像不敏感，将两个评估方法进行自适应融合，提出[SLEES]（Local Entropy and Edge Similarity，[SLEES]）指标。通过改变图像像素位置和图像像素值的加密方式处理图像和视频帧进行测试，实验结果表明，[SLEES]指标相比传统评估指标有更好的鲁棒性，评估范围更广。     

基于局部期望阈值分割的图像边缘检测算法

传统图像边缘特征检测通过梯度算子卷积计算获取梯度图,并根据梯度变化情况设定阈值得到边缘信息,但图像的各局部区域梯度变化不均匀,采用统一阈值分割边缘信息往往会造成获取的边缘信息不准确。本文提出一种基于图像局部区域期望的自适应阈值方法,首先采用Sobel算子获取图像梯度矩阵,然后将梯度矩阵分割为多个子区域,并计算每个子区域的局部期望作为该区域阈值,进行边缘特征提取。实验表明,提出的方法提高了图像主要目标物边缘特征的识别度,区域边缘信息划分准确。     

基于局部熵的SLAM视觉里程计优化算法

针对移动机器人视觉同步定位与地图创建中由于相机大角度转动造成的帧间匹配失败以及跟踪丢失等问题, 提出了一种基于局部图像熵的细节增强视觉里程计优化算法. 建立图像金字塔, 划分图像块进行均匀化特征提取, 根据图像块的信息熵判断其信息量大小, 将对比度低以及梯度变化小的图像块进行删除, 减小图像特征点计算量. 对保留的图像块进行亮度自适应调整, 增强局部图像细节, 尽可能多地提取能够表征图像信息的局部特征点作为相邻帧匹配以及关键帧匹配的关联依据. 结合姿态图优化方法对位姿累计误差进行局部和全局优化, 进一步提高移动机器人系统性能. 采用TUM数据集测试验证, 由于提取了更能反映物体纹理以及形状的特征属性, 本文算法的运动跟踪成功率最高可提升至60 % 以上, 并且测量的轨迹误差、平移误差以及转动误差都有所降低. 与目前ORB-SLAM2系统相比, 本文提出的算法不但提高了移动机器人视觉定位精度, 而且满足实时SLAM的应用需要.     

基于方向梯度局部方差的分层遥感图像融合

为了充分利用各种遥感图像的信息．本文对以往图像融合技术进行了简要的概述，分析了各种方法的优缺点．给出了一种新的基于方向梯度局部方差的金字塔图像融合方法。将各源图像进行金字塔分解，得到多分辨率描述．建立方向梯度金字塔．采用局部方差准则融合源图像的各分解层．再进行金字塔分解的逆变换，得到融合图像。此外．利用信息熵等准则和其他融合方法进行比较．实验结果表明用此方法能得到更好的融合效果。     

基于多尺度边缘和局部熵原理的前方车辆检测

提出一种基于多尺度边缘和局部熵原理的前方车辆的检测算法。该算法利用车辆图像的边缘和纹理等视觉特征,根据摄像机参数得到远、中、近距离的三个尺度的图像,用一种改进的边缘检测算法分析每幅图像的边缘,得到车辆的感兴趣区域ROI,最后通过应用局部熵原理来排除错误的结果。对同一帧序列用文中算法和传统算法进行测试,文中算法提高了检测的正确率,并减少了误检的数量,该算法同时适用于静止和运动的车辆,并且对中远距离车辆有较好的检测效果。     

熵权法融合局部匹配Gabor特征的鲁棒人脸识别

针对复杂环境下人脸识别难度大的问题,提出了一种熵权法融合局部Gabor特征方法。计算类熵加权向量;计算局部归一化输入图像的Borda计数矩阵,从而消除低值Gabor jet比较矩阵;通过将分数层类熵加权Gabor特征与LGBP和LGXP融合解决了完成人脸的识别。在FERET、AR和FRGC 2.0人脸数据库上的实验结果表明,该方法对轻微姿态变化具有显著鲁棒性,并且对人眼检测中高达3像素的误差具有鲁棒性,相比其他几种人脸识别方法,该方法取得了更好的识别效果。     

基于梯度比率的SAR图像局部特征提取方法研究

本文研究了基于像素灰度差值计算的LBP算子和基于梯度比率的LGRP算子等局部二值模式。首先介绍了基本LBP算子和其他几种LBP算子的变形模式,并通过光学图像和实测SAR图像对LBP算子进行性能评估。针对LBP对SAR 图像乘性噪声敏感的问题,利用梯度比率计算的LGRP算子,并结合旋转不变LBP的抗旋转性,本文提出了一种改进的SAR 图像LGRP特征,获得了对SAR 图像的抗噪性和抗旋转性能。实验结果表明,由本文方法提取的SAR图像局部特征具有较好的不变性,可用于姿态角变化下的目标识别与图像纹理切片匹配。     

Anisotropic diffusion based denoising on X-radiography images to detect weld defects

This paper proposes a machine vision scheme for denoising, feature space gradient preserving, and detecting weld defects in noisy weld X-radiography images; particularly, for the images that are in low-contrast and contain noises. The detection of small weld defects present on noisy image is extremely difficult in non-destructive testing through machine vision. The presence of high gradient magnitude and the low intensity in the feature space of a noisy image are the main characteristics of weld defects. These characteristics can be considered to refine and obtain noise-free images for detection of weld defects. This study proposes a modified anisotropic diffusion model, which considers a local probability value of gray-level and an adaptive threshold parameter in diffusion coefficient function to adjust the implication of low edge gradient of the feature space from the noisy image. Furthermore, an entropy based stopping criterion has been introduced to terminate the diffusion process. This proposed model is compared with the existing models, and its performance is evaluated through Mean Square Error (MSE), Signal-to-Noise Ratio (SNR), Peak Signal-to-Noise Ratio (PSNR), Entropy (E) and Mean Structural Similarity (MSSIM) measures. Experimental results confirm the reliability of the proposed model.     

基于能量估计的局部运动模糊检测

为了解决日常拍摄的图像或视频中普遍存在局部运动模糊导致信息丢失的问题,提出一种基于能量估计的局部运动模糊检测算法。该算法首先计算图像的Harris特征点,根据每个区域内的特征点分布筛选出备选区域;然后根据近单色区域梯度分布平滑的特点,通过计算备选区域的梯度分布并参照平均幅值阈值过滤掉大部分容易被误判的部分;最后根据运动模糊对图像能量衰减的特征对备选区域进行模糊方向估计,并计算模糊方向和与其垂直方向的能量,根据两个方向上能量的比值进一步去掉单色区域和散焦模糊区域。在图像库上的实验结果表明,所提算法能较好从存在近单色区域和散焦区域干扰的图像中检测出运动模糊区域,有效提高局部运动模糊检测的鲁棒性以及适应性。     

基于改进ReliefF与k-means算法的良恶性肺结节分类模型

肺结节是肺癌的症状.在CT图像中,肺结节的形状和大小常被用来进行肺癌的诊断,然而良性和恶性结节的鉴别对于疾病的治疗具有重要意义.由于良恶性结节的边缘纹理特征区别大,因此本文首先利用基于改进的边缘检测算子的灰度-梯度共生矩阵(GGCM)提取小梯度优势、灰度分布不均匀性、能量、灰度熵、梯度熵、混合熵、逆差距、相关性等肺部CT图像的14种纹理特征.然后利用改进的ReliefF算法去除作用小的特征,保留重要特征的特征权重值.最后将重要特征的权重值应用于改进距离度量准则的k-means算法中进行良恶性结节的分类.应用本文算法在LIDC数据集上实验,实验分析结果表明,14种纹理特征对于结节良恶性的分类能力并不相同,而灰度差、梯度差、能量、小梯度优势、相关性、灰度熵、混合熵、逆差矩的组合得到的良恶性肺结节分类效果最好,最终实现了良性结节83.46%,恶性结节95.02%的识别率,可在临床应用中辅助医生进行肺结节的良恶性诊断.     

一种基于降维技术的图像局部融合算法

给出了一种基于降维技术的局部融合算法,并将其用于两幅灰度图像的融合。该算法将现有的图像融合技术和非线性降维技术融合,通过对待融合图像进行分块、关联矩阵表示、MDS降维处理,得到待融合图像的感兴趣区域块,对这些感兴趣区域块进行基于小波的局部融合,使图像变小。通过实验证明,该算法提高了融合速度,有利于目标识别、变换检测等后续处理。     

窄带主动轮廓模型及在医学和纹理图像局部分割中的应用

提出一种新的基于二值水平集的窄带主动轮廓模型用于局部分割.通过对二值水平集进行形态学膨胀和腐蚀操作, 提出一种稳定灵活可控的窄带控制方案,该方案可使得曲线进化精度从一个像素宽度灵活变化到任意大小. 考虑到局部分割一般要求初始轮廓置于待分割目标内部并不断膨胀进化直至目标边缘,本文提出用形态学闭运算作为新的曲线平滑方案. 与传统的高斯平滑和曲率平滑方案相比,形态学闭运算不仅能够更好地促进曲线的膨胀进化,而且有利于保持水平集函数的二值性. 此外,本文提出的方法是一种通用的自然框架,可以根据不同的需求设计不同的速度函数. 为了证明所提出的局部分割框架的有效性和鲁棒性,本文以医学图像和纹理图像为例分别设计了两个速度函数: 一个是融合了磁共振脑图像的非严格对称信息的速度函数用于大脑皮质下结构的局部分割;另一个是融合了局部熵和局部梯 度算子的速度函数用于纹理图像的局部分割. 在合成图像、医学图像和纹理图像上的实验证明了本文方法在局部分割中的有效性和鲁棒性.     

基于双谱序列图像的ATR系统设计与实现

根据可见光/红外两波段各自成像的优点,设计实现了一个基于双谱图像像素级融合的自动目标识别(ATR)系统。该系统包括图像融合、特征提取、目标识别三个主要部分,每部分有多种处理算法可供选择。系统基于多线程设计,可实时显示可见光/红外序列图像的融合、目标识别过程。实验验证了该系统的有效性。     

Sparse coding of 2D-slice Zernike moments for SAR ATR

In this article, a new type of feature, named two-dimensional (2D)-slice Zernike moments, is proposed for synthetic aperture radar (SAR) automatic target recognition (ATR). Target features play an extremely important role in the ATR system. Pixels with different scattering intensities distribute in different positions in SAR images, which represent target inherent signatures determined by the target’s characteristics, including global structure and local details. To extract these various scattering signatures, we developed a feature extraction technique named 2D-slice Zernike moments (2DS-ZMS), which can capture target global and local scattering field distribution information. First, the multilayer 2D-slices of a SAR image are extracted by uniformly cutting the 3D display SAR image along the amplitude direction. Then Zernike moments of each 2D-slice are calculated. Finally, the 2DS-ZMS of the SAR image are formulated into a column vector, called the feature vector. The obtained feature vectors of the targets are fed into a newly developed classifier, i.e. the sparse representation-based classifier (SRC). By projecting the testing sample feature vector on the dictionary made up of training samples feature vectors, the sparse coefficients are solved. The minimum reconstruction residual is adopted as the judgement criterion for predicting the test sample’s class label. Experiments on the moving and stationary target acquisition and recognition (MSTAR) data set validate the effectiveness and superiority of the proposed method.     

SAR图像自动目标识别系统研究与设计*

研究了SAR图像自动目标识别系统。通过分析国际上先进的SAR自动目标识别系统的组成、算法实现、流程设计和所得到的结果,设计出SAR自动目标识别系统结构和识别流程图。系统结构主要由SAR图像特性库、特征库和模型库组成。识别流程在系统结构的基础上,分为检测、辨识和分类三步。最后给出了SAR图像自动目标识别系统的主要评价原则。