基于微粒群算法的灰度图像阈值分割的改进

为了充分利用灰度图像的灰度信息和空间信息,提高分割精确度和最优阈值的求解速度,提出一种基于微粒群算法的阈值分割方法--PSO-SDAIVE算法.该算法对传统的二维直方图进行改进,生成差值属性灰度直方图,同时对灰度均值和二维熵的计算进行改进,生成空间差值属性信息值熵(SDAIVE),最后用微粒群算法搜索SDAIVE的最大值.在实验中,对头部CT图像进行分割,实验结果表明,这种分割方法能精确地获得分割阈值,并有很好的抗噪声能力,节省计算时间.     

一种新的图像匹配算法的研究

在图像匹配研究中,基于H ausdorff距离的检测(HD)和序贯相似度检测(SSDA)是比较常用的两种方法。介绍了HD和SSDA两种算法并分析了两者各自的优点与不足,在此基础上提出了一种新的图像匹配算法。该算法结合了SSDA和HD的优点,实验证明该算法在实时图像匹配过程中能使模板和图像达到更加快速有效的匹配。     

改进的图像纹理检索方法在矿石识别中的应用

为了将图像纹理检索应用到某种矿石成分的识别中，在使用灰度共现矩阵和灰度行程统计矩阵进行特征提取的基础上，考虑到将纹理识别时的计算时间限制在一定范围内。提出了仅使用一个综合特征进行目标纹理检索的有效方法。实验结果表明，只要对按照欧氏距离定义的相似度进行匹配时，选取适当的相似度阈值，则该方法便能够获得满意的纹理识别结果。     

一种基于相机平移运动模式的图像拼接算法

文章提出了一种新的全景图像自动拼接算法。该拼接算法拼接的相片是用平行移动的相机拍摄的。该算法采用模式检测技术寻找两幅相邻照片的相似区域,计算图像的缝合位置。这种方法可以有效地减少透视视差的存在对拼接造成的干扰。如果模式检测没有得到令人满意的结果,将使用一种改进的序贯相似性检测算法(SSDA)进行图像匹配。     

基于NCC与SSDA的快速特征点匹配融合算法

快速、正确的匹配从两幅或多幅图像中提取出来的特征点是基于特征点图像配准问题的关键。传统的只使用归一化互相关匹配（NCC）算法进行的特征点粗匹配,虽然具有较强的抗噪声能力,但是匹配的速度很慢,而且错误率也比较高。因此,在研究了NCC算法与序贯相似度检测（SSDA）算法基础上,并改进了SSDA算法的非相似度计算方法,提出将两种算法融合在一起形成一种快速的特征点匹配算法,改进算法充分利用了两种算法的优点,大大提高了特征点的匹配速度,而且减少了错误匹配的个数。通过实验证明,该算法是一种有效的特征点匹配算法,比只使用NCC算法进行特征点匹配所需的时间降低了70%以上,正确匹配率也有所提高。     

基于螺纹边缘图像的快速SSDA算法

序贯相似性检测算法（sSDA）是针对传统的模板匹配算法提出的一种高效的图像匹配算法,但是SSDA算法难以满足螺纹检测的实时性。针对传统SSDA算法的不足,提出了一种基于螺纹边缘图像的快速SSDA算法。该方法用形态学对螺纹图像进行了边缘提取,然后只在边缘处进行匹配,从而大大减少了匹配的次数,同时提出了减小匹配运算量的方法。     

基于灰度梯度共生矩阵的桌面灰尘检测算法

针对桌面灰尘检测在光照变化时有灰尘与无灰尘图像相似度区分界限不明显的问题，提出一种基于兰氏距离改进的图像相似度算法。该算法融合指数函数性质，将模板图与有灰尘和无灰尘图像之间的兰氏距离转换为（0，1］区间的相似度值，同时扩大相似度差值。为增强灰尘纹理特征信息，将灰度图进行拉普拉斯算子卷积，再用共生矩阵特征提取算法提取特征参数并将其组合成一维向量。用改进后的相似度算法计算模板图与待检测图的特征参数向量相似度，根据向量相似度判断桌面是否具有灰尘。实验结果表明在300~900 lux光照范围内，无灰尘图像之间的相似度高于90.01%，有灰尘与无灰尘图像之间的相似度低于62.57%。两种相似度的均值能够作为阈值，在光照变化时有效地判断桌面是否具有灰尘。     

一种海量图像下的高精度特征检索算法

传统图像关键特征二次检索算法无法计算图像纹理相似度,导致数据库中海量相似图像的检索精度偏低,查全率与查准率均不理想.为此,设计新的基于灰度直方图的图像关键特征二次检索算法.采用中值滤波将某像素点灰度值替换成相邻区域像素点灰度中值,去除图像背景及噪声干扰.建立归一化灰度共生矩阵,并向量化输入图像并计算其灰度特征矢量.利用...     

基于序贯蒙特卡罗方法的自适应红外目标提取算法

本文将红外目标提取阈值的计算问题看作系统状态估计问题,提出了一种基于序贯蒙特卡罗方法的红外目标提取算法。在序贯蒙特卡罗方法框架下,建立关于灰度—方差加权信息熵和像素点灰度值的阈值状态空间;建立随机漂移状态转移模型;综合了红外图像中灰度、信息熵、梯度、像素点的空间位置等信息,提出了定量描述红外目标分割效果的评价函数,并以此作为系统的观测模型;最后,将粒子的加权平均做为分割阈值的估计值。实验结果表明,该方法是有效且稳健的。     

基于粒子群优化算法的最佳熵阈值图像分割

研究图像的空间信息和灰度的信息图像分割,从中提取感兴趣的目标.针对传统阈值算法虽然考虑了图像的空间信息,但是由于解空间维数增加,搜索范围增大,导致了计算时间延长,求解最优阈值的速度较低,同时传统二维熵的计算中只考虑了像素的概率,忽略了灰度的概率,导致分割不准确.为了充分利用灰度图像的灰度信息和空间信息,提高分割精确度和最优阈值的求解速度,提出一种基于粒子群算法的阈值分割方法(PSO-SDAIVE算法).算法对传统的二维直方图进行改进,生成差值属性灰度直方图,同时对灰度均值和二维熵的计算进行改进,生成空间差值属性信息值熵(SDAIVE),最后用粒子群算法来搜索SDAIVE的最大值.对头部CT图像进行分割进行了仿真,实验结果表明,能够对图像进行准确的分割,而且运行时间明显较短,证明粒子群优化的图像分割算法是可行和有效的.     

灰度图像匹配的快速算法

提出了一种基于小波变换和投影特征的图像匹配的快速算法．先在若干级小波变换的低频图上利用投影特征、序贯相似性算法等手段得到一个可能的匹配点的集合,然后对该集合上的点在原图上作匹配运算,得出准确匹配位置．该算法大大提高了运算速度,同时又保持了匹配的精度,可以满足实时性的要求。     

一种快速彩色图像匹配算法

针对彩色图像匹配的特点,利用颜色分量权重系数对序贯相似性检测算法进行了改进。同时,采用了粗-精匹配相结合的分层搜索策略,并在图像匹配过程中根据置信度对模板进行自适应更新。实验表明,该算法有效地减少了运算量,提高了图像匹配的精度,具有较好的实时性和鲁棒性。     

基于距离特征的自适应阈值视频拼接算法

针对虚拟漫游系统中视频拼接问题,提出一种基于距离的自适应阈值拼接算法。通过提取距离特征,并在待匹配的帧图像中采用自适应阈值序列的序贯相似性检测算法搜索匹配特征,从而确定重叠部分的起始列值。实验结果表明,该算法能更好地实现视频拼接,且减少计算量,提高拼接速度。     

一种全景图快速生成算法及其实现

针对柱面全景图拼接提出一种快速稳定的拼接算法。该方法将待拼接的二维图像的灰度值投影变换到一维数轴上，选择特征明显的灰度段作为模板，通过序贯相似性检测进行匹配，并在匹配过程中能够自适应地调整阀值，最后采用线性加权法对图像进行无缝拼接。采用普通相机拍摄的序列图像进行实验，实验结果证明该方法提高了拼接速度，降低了图像亮度差异的影响，使结果图像自然逼真。     

柱面全景图生成技术的研究与实现

在全景图像理论的基础上,对现有的柱面全景图生成技术进行研究和实现。在柱面投影方面,采用基于平面图的柱面正投影和反投影算法。在传统的序列相似性检测算法的基础上,采用一种自适应阈值序列相似性检测算法对图像进行拼接。在与最邻近插值算法进行比较的基础上,使用双线性插值算法进行图像的融合。实验结果表明,生成的全景图视觉效果较好。     

一种基于Harr小波的快速模板匹配算法

针对传统模板匹配算法的缺点,提出了一种基于Harr小波和SSDA的模板匹配算法,对图像进行由粗到细的匹配。实验结果表明：该算法流程简单,实时性好,匹配精度高。在不失匹配精度的条件下,克服了运算量大的缺点,从而满足图像匹配系统的实时性要求。     

一种基于分块匹配的SIFT算法

SIFT算法在图像处理领域具有独特的优势,但是经过不断发展,SIFT算法在特征匹配过程中仍然具有数据处理量大、计算速度慢的问题.基于这些问题,提出了一种基于分块匹配的新型SIFT匹配算法,它通过剔除非重叠区域来降低特征提取和匹配的时间损耗.对于图像的刚性变换,算法的核心在于图像块的切分和重叠区域的计算,首先选取少量的种子点来估算两幅图像的相关变换矩阵;然后将原始图像切分为几块,通过变换矩阵找出在匹配图中的相关块;再检测所有的匹配块上的特征点;最后结合RANSAC算法去除伪匹配点对,来提高匹配的准确率.实验结果表明:与标准SIFT算法相比,基于分块匹配的SIFT算法在实时性和鲁棒性方面得到了进一步的提升,在实际图像匹配中具有一定的应用价值.     

基于空间纹理相似性的图像角点特征匹配算法

本文针对传统图像角点特征匹配算法的匹配速度慢且准确率低等问题,提出一种基于空间纹理相似性的图像角点特征匹配算法。首先,计算图像目标上角点对应的空间距离矩阵;然后,通过计算图像角点的空间距离矩阵在对应角点邻域LBP特征向量上的瑞利商,将角点在图像灰度特征空间内的度量问题转换为纹理特征空间内幅值的度量问题;最后,根据角点对应的瑞利商的大小,实现不同图像间的角点特征匹配。对不同条件下采集的图像进行角点特征匹配,得到的匹配结果表明本文算法不仅能够很好的适应图像光照、几何变化,得到的匹配正确率较高,同时与传统算法相比本文算法在运行时间上也有大幅度的降低,当处理特征数量较小时平均降低48ms,而匹配特征数量较多时能够降低2408ms。