限制型自适应SUSAN边缘检测算法

对于边缘检测中传统SUSAN(smallest univalue segment assimilating nucleus)算法,固定门限会将非边缘点划入核值相似区(univalue segment assimilating nucleus, USAN),并经过单一阈值判断,非边缘点易被误判为边缘点,导致算法的低鲁棒性.针对此问题,提出了结合自适应门限算法和阈值选择策略的限制型自适应SUSAN算法.首先,分析SUSAN算法优缺点,根据USAN特点以及同异侧噪声容忍度范围设置阈值选择策略,减少误判并提高噪声鲁棒性;然后采用与USAN内像素值正相关的自适应门限算法,进一步增强边缘检测能力.在标准测试图像以及不同类型噪声的经典灰度图中实验结果表明,相比于传统SUSAN算法和Canny, Prewitt, Sobel, LoG, Roberts等边缘检测算法,该算法在客观图像评价指标FSIM值,PFOM值和准确率上均高于其他算法;而在主观视觉上,在无噪条件下能够更好地抑制纹理区域像素干扰,检测边缘更完整丰富.特别是在大量噪声干扰导致其他算法均失效的情况下,该算法在抑制噪声的同时,仍能有效地检测出图像边缘.     

一种新的快速鲁棒性角点检测算法

对现有的角点检测算法进行了综述,着重分析了SUSAN算法和MIC算法的实现原理以及检测性能的优劣,提出了一种基于像素亮度变化的快速角点检测算法。对模拟图像和真实图像的角点进行了实验,并与目前应用比较广泛的Harris、MIC以及SUSAN角点检测子进行了比较。实验结果和数据分析表明了算法在计算效率、定位精度和鲁棒性等到方面具有良好性能。     

基于局部图像锐化的自适应模糊边缘检测算法

为了准确检测出模糊边缘的位置 ,对用小尺度滤波器检测模糊边缘时噪声影响检测效果的原因进行了分析 ,依据这些噪声点在模糊边缘附近的统计分布规律 ,提出了一种用于图像锐化的阈值计算方法 ,算法自适应地计算图像不同区域对应的图像锐化阈值 ,并用这个值来锐化模糊边缘图像 ,实现对模糊边缘的准确提取。实验结果证明该算法能有效去除模糊边界处的干扰点 ,明显改进了小尺度滤波器提取模糊边缘的性能     

基于SUSAN角点和HSV颜色模型的粒子滤波目标跟踪算法

针对传统粒子滤波目标跟踪算法在目标与背景颜色相似情况下目标定位偏差大、易导致丢失目标的缺陷,提出一种基于角点和颜色模型的粒子滤波目标跟踪算法。首先,提出一种改进SUSAN角点检测算法,采用圆形模板邻域内像素灰度值中值代替模板中心像素灰度值作为模板"核"来检测区域目标角点,其改进SUSAN角点算法在继承原有SUSAN算法计算简单、定位准确、具有旋转不变性等特点的同时,具有更好抗噪声性能;其次,利用HSV颜色模型光照不敏锐特性,对检测到的角点建立HSV颜色模型,并将其嵌入到粒子滤波框架中,实现对目标的跟踪。实验结果表明,当背景与目标颜色相近时,该算法能够有效避免背景对目标的干扰,取得了较好的目标跟踪性能。     

基于USAN的改进的角点检测算法

提出了一种基于USAN的改进的角点检测算法。该算法在原有SUSAN算法的基础上做了如下改进：使用一个3×3的方形预检测窗口对图像的像素进行预检测，在精确检测角点前剔除掉大部分的背景点、边界点及脉冲噪声点，提高了算法的效率；根据图像不同区域对比度不同的特性，采用根据对比度自动调节核心点与其邻域像素的灰度差值门限的方法，使所检测出的角点分布均匀；利用基于USAN定义的角点所应具有的特征(角的边缘及USAN的连续性)来剔除伪角点，降低了角点虚报和漏检的发生率。仿真实验证明了该文所提出的算法具有抗噪能力强、运算量小的特点，适于实时实现。     

垃圾邮件图像中的文字角点检测

为提取垃圾邮件图像中文字的角点信息,提出一种新的基于图像边缘和圆形模板的角点检测算法。算法首先利用彩色边缘检测算子和阈值分割方法获取文字图像的边缘,然后采用圆形模板提取文字的角点信息。边缘检测和阈值分割降低了干扰背景和噪声对角点检测的影响,圆形模板使得角点检测对文字方向变化不敏感。实验表明,在真实的垃圾邮件图像中文字角点定位精度略高于SUSAN算法,并能同时获取角点角度的大小。     

一种基于方向SUSAN特征的目标特征列表匹配

目标匹配识别中,特征列表相关算法可以有效减少计算时间,匹配具有较高的峰值系数和峰值信噪比,清晰识别目标。提出一种基于方向最小核值相似区（SUSAN）特征列表的目标匹配方法,考虑特征点的方向信息,应用SUSAN原理提取特征并列表描述图像,匹配相似测量基于特征点归一化误差均值,有效降低了算法的噪声敏感性。     

成像导引头运动点目标检测

在仿真分析的基础上，针对红外成像空空导弹导引头的应用特点，对现有基于形态学的算法进行改进，提出一种新算法。新算法通过计算局部图像的相似度，鉴别背景点与目标点，提高检测和识别概率。算法分四步：(1)进行背景预测，通过消除背景，获得输入图像中相对背景较亮的部分；(2)利用自适应阈值分割，消除大量低灰度噪声点、背景，获得候选目标；(3)利用点-航迹关联，根据点目标运动的连续性剔除噪声；(4)对原始图像中以候选目标为中心的子图像进行相邻帧的相似度计算，根据子图像匹配程度剔除剩下的候选目标中的背景，从而检测出真正的目标。仿真结果证实了新方法对低信噪比复杂背景中点目标检测与识别的有效性。     

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。     

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。     

自适应阈值的遥感影像角点提取算法

针对传统SUSAN角点提取算法中阈值选取的不确定性,提出了一种自适应分割阈值的SUSAN改进算法。首先采用SUSAN模板对图像进行模板计算得到梯度图,然后根据梯度图的灰度分布特征,采用图像分割方法的判断分析法和KSW熵方法对梯度图做分析处理,最终实现阈值的自动选取,正确提取出有价值的特征角点。试验结果表明,改进算法较之传统算法有明显优势,能准确有效地提取出角点,具有较强的适应性和应用价值。     

基于方向性SUSAN算子的图像角点特征提取

在不同传感器图像的匹配中角点是重要匹配特征,为满足实际一些具有方向性的成像传感器图像匹配的需要,进行稳定可靠、具有方向性角点特征的检测是必需的.本文采用方向性的SUSAN角点检测算法,将SUSAN算子计算区域限定在具有一定指向的扇区,使之具有方向性检测角点特征.实验证明,该算法简单、实用和有效.     

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RANSAC的图像拼接方法

为解决常用SUSAN角点检测的阈值都是固定的,检测出的角点经归一化互相关后直接使用RANSAC(即随机抽样一致性算法)得到的单应性矩阵准确度不高等问题,给出了一种改进的RANSAC图像拼接方法.利用具有自适应阈值的角点提取算法抽取图像的角点特征,采用引导匹配的方法重新进行归一化互相关,增加了准确匹配点的个数,提高了单应性矩阵的估算效果,最后采用拉普拉斯金字塔对配准后图像进行分层融合、拼接.实验结果表明,该方法比常用方法具有更好的矩阵估算效果,拼接效果良好.     

基于低层次计算机视觉的超分辨率图像重建

在基于低层次计算机视觉的超分辨率图像重建过程中,角点检测和插值是两个关键的技术。首先在SUSAN角点检测算法的基础上提出了改进算法,改进后的算法根据图块对比度的不同,在确定位于不同图块中的像素的USAN面积时采用了可变灰度阈值,可变灰度阈值的采用,使得检测出的角点分布更加均匀,而角点分布均匀则使得图像配准更加精确,有利于后期的重建工作。其次,提出了一种适合于超分辨率图像重建的插值算法：基于圆区域的自适应插值算法。该算法可以根据待插值点周围的灰度特征自适应决定插值策略,将线性插值、最邻近插值和中值插值法有机地结合在一起。大量的仿真实验证明了提出算法具有运算量小、图像重建后的效果出重,易于实现。     

多特征复合的角点提取方法

提出了一种利用图象灰度特征和边界轮廓点特征相复合的角点检测方法；首先在SUSAN特征检测原则基础上，提出了基于图象灰度特征的快速自适应特征检测方法，用以提取不同图象对比度下目标轮廓上的初角点，利用边沿元对这些包含了部分边缘点的初角点沿边绝缘方向跟踪排序后，再由根据图象边缘特征检测的边界方向变化情况来确定角点位置，同时剔除由于图象数字化而导致的虚假角点，这种方法克服了单一特征提取角点所带来的弊病，提高了角点检测的精度，抗噪能力强，运算量较小，适于实时实现。     

基于高斯变换的多尺度SUSAN角点检测方法

针对传统SUSAN算子只能在单一尺度下检测图像中角点的不足,提出一种基于高斯变换的多尺度SUSAN角点检测方法。该方法利用高斯变换获得待检测图像的多尺度分层图像,以构建高斯金字塔,结合自适应阈值的SUSAN算子检测出不同尺度下的角点作为候选角点,将其还原到原始图像中的相应位置构成候选角点集,在候选角点集中经小邻域信息筛选获得最终角点。实验结果表明,该方法不仅能够在不同尺度下有效获取有用的角点信息,而且提高SUSAN算子正确率的同时,降低了角点的伪检率。     

3D计算中高速图形转换器算法设计

在图像处理过程中的分析图像的特征,需要达成特征提取,为后续的图像处理和分析。在目标图像的提取过程中,本文选定了特征角点特征。角点定位准确的图像匹配在三维重建中起着重要的作用。角落像素相对于外在的像素灰度值的突变或凸形状的像素点较为集中。本文分析了三个角点提取方法:苏珊角点检测方法,哈里斯角点检测方法,多尺度结合苏珊算法改进,亚像素角点检测方法,以便满足系统对精度的要求。