一种改进的Harris多尺度角点检测算法

图像特征点的提取是实现图像特征匹配的重要步骤。针对Harris角点算法的受尺度变化影响大,阈值为人为给定的缺点,把图像尺度空间的思想与自适应阈值的方法相结合,提出了改进的多尺度Harris角点检测方法。实验结果表明,该算法提取到的图像角点不仅精确度高,而且检测到的伪角点少。     

基于区域检测的多尺度Harris角点检测算法

针对传统Harris算法检测的角点遍布整个图像和对尺度变化较敏感的问题,本文提出将区域检测方法和多尺度Harris角点检测算法相结合,使检测到的角点数目更少,以提高后续的图像匹配重建的效率。首先,利用区域检测的算法构造图像显著图,采取腐蚀膨胀操作提取出目标区域作为候选的检测区域;其次,利用多尺度结合非极大值抑制的方法改进Harris算法,检测图像的角点并标记。仿真结果表明:本文方法能进一步提高角点检测的精确度和速度,同时在不改变任何参数的情况下,对于图像旋转能够减小角点提取的差异,增强算法的多尺度性。     

Harris尺度不变性关键点检测子的研究

在特定的参数设置下Harris尺度不变性检测子不能提供足够数目的稳定关键点,以往研究据此断定Harris尺度不变性检测子不稳定,不是有效的特征检测子.在构造Harris角点值的尺度空间过程中, 存在一系列参数影响着Harris角点值在尺度空间中极值点的数目,从而决定了Harris尺度不变性检测子所能获取的稳定关键点的数目.对这个参数空间进行了系统研究,发现积分尺度与微分尺度的比值对Harris尺度不变性检测子能否检测到足够数目的稳定关键点具有决定性的影响.当这一比值减少时,Harris尺度不变性检测子所获取的稳定关键点的数目快速增长;当这一比值小于0.8时,Harris尺度不变性检测子所能获取的稳定关键点的数目开始超出DoG检测子所能获取的稳定关键点的数目.这个有效的参数区间大大增加了Harris-Laplace检测子所能获取的稳定关键点的数目.与Harris-Laplace检测子以及DoG检测子进行比较,具有有效参数的Harris尺度不变性检测子具有最佳的稳定性能,这个结果纠正了关于Harris尺度不变性检测子不稳定的错误结论.     

SURF算法及其对运动目标的检测跟踪效果

视频图像的特征点提取和描述是智能交通系统中运动目标跟踪的一项关键技术。由于场景的复杂性、环境的变化以及目标运动的影响,Harris角点检测算法和尺度不变特征变换（SIFT）算法的精度和稳定性都不够,而加速鲁棒特性（SURF）算法具有很强的鲁棒性,运算速度比Harris角点检测算法和SIFF算法有明显提高。应用SURF算法对视频图像进行特征点提取和匹配,并结合聚类分析和卡尔曼滤波对匹配的目标进行跟踪。实验表明,SURF算法对亮度变化具有很强的鲁棒性,并且速度比较快。     

基于金字塔和模糊聚类的路面图像拼接方法

公路图像具有特征复杂,特征点分布不均匀,噪声较多等特点,这对图像拼接带来了很多困难.针对以上特点,本文提出了一种基于图像金字塔、Harris角点检测和模糊聚类相结合的公路图像拼接方法.通过对原始路面图像进行多尺度、多分辨率的金字塔变换,形成几组尺度空间的分层结构,以该分层结构为基础,对每层结构进行Harris角点检测,并将得到的角点进行聚类和匹配,实现了相邻公路图像的精确拼接.     

基于融合图像特征的角点提取方法

基于图像边缘的角点提取往往对噪音敏感,提取精度较高但运算量大,而基于图像灰度的角点提取易于实现但提取效果不佳.因此提出一种融合图像边缘特征和图像灰度特征的角点检测方法.首先在一较低尺度用Canny算法求出所有边缘点,然后求出每一边缘点的曲率值并求出初始角点集,利用Harris算法通过实验在一较优尺度下对初始角点进行筛选并确定最终的角点集合.所提方法融合图像角点提取的两大特征,可以有效改进在单一特征提取下的不足.通过对比实验,该算法明显地提高了图像角点检测性能.     

一种新的尺度不变特征提取方法

为解决传统尺度不变特征点提取算子计算复杂度高、抗噪能力不强以及特征点位置发生漂移等问题,提出一种基于尺度空间因果关系的尺度不变特征提取方法.首先原图像与高斯函数进行卷积获得高斯平滑图像;然后在原图与高斯图像中分别提取Harris角点作为候选特征点;最后以高斯图像上的候选特征点为中心向原图上投影寻找对应的特征点作为最终的尺度不变特征点.实验结果表明,该算法容易实现、计算效率高、抗噪能力强.该算法能为后续视觉处理提供稳定抗噪的尺度不变特征点.     

基于移动增强现实技术的复杂场景视频图像多目标跟踪

复杂场景视频图像多目标跟踪过程中在环境干扰下检测准确性不好,为了提高复杂场景视频图像多目标跟踪能力,提出基于移动增强现实技术的复杂场景视频图像多目标跟踪方法,构建复杂场景视频图像的3维成像模型.采用边缘特征分割和Harris角点特征检测方法进行复杂场景视频图像的多维尺度分解,构建目标图像的3维成像模型,采用灰度信息重构...     

一种改进的形态学边缘检测算法

为提取出更丰富流畅、定位更准确的边缘信息,基于多尺度多方向结构元素,引入信息熵加权系数,改进了形态学边缘检测算法.首先,为去除图像噪声,选定2种不同尺度的结构元素进行形态学开闭运算;然后,利用4种不同方向的结构元素进行形态学边缘检测,可以获得4幅不同方向结构元素下的边缘图像;再根据每幅边缘图像的信息熵来确定权值,并将这...     

鲁棒的新型特征提取和匹配算法

针对现有图像特征匹配算法高复杂度、耗时长等问题,提出一种基于局部特征点的新型特征匹配算法。首先,构建尺度金字塔,在不同的尺度上进行FAST特征点检测,根据特征点的Harris响应对特征点进行排序选取;然后利用图像的矩和积分图的方法获得特征点方向,再根据同心圆的采样模式构造特征点向量,最后根据特征点向量的汉明距离进行特征匹配。实验研究表明,该算法在图像有一定程度的缩放、旋转和噪声影响的条件下,运行效果仍然稳定可靠。与传统的SIFT算法相比,该算法在保证特征提取与匹配良好性能的前提下,运行速度要比SIFT算法快数倍。     

基于彩色形态学的图像边缘检测算法

基于对彩色图像形态学的研究,提出了一种面向HSI颜色空间的多结构元多尺度的彩色形态学图像边缘检测算法。首先借助彩色形态学的膨胀、腐蚀、开运算和闭运算给出彩色多结构交替顺序滤波算子的相关定义,同时利用交替顺序滤波器（ASF）的优势得到一种混合滤波器（HF）对图像进行滤波;其次引入一种全方位形态结构元再结合多尺度结构元的思想对图像不同方向的边缘进行提取;最后再使用信息熵对各方向的边缘进行融合得到图像整体边缘信息。实验表明,所提出的算法不仅具有良好的抗噪性,而且能够保留更多的图像细节信息。     

三维图像测量中单像素级边缘的检测

在三维图像测量技术中，目标物体边界识别需要得到准确的单像素级的图像边缘．本文在采用小波变换进行检测图像边缘的方法上，首先根据像素邻域的灰度直方图自适应地选取小波变换的尺度，并存基于Mallat小波模极大值边缘检测方法的基础上借用双阈值操作技术的原理，对结果进一步细化，并将边缘点链接，从而最终得到单像素级的边缘图像，以满足下一步实验的要求．     

小波变换的多尺度方法在边缘检测中的应用

提出了一种基于小波变换的多尺度边缘算法,与传统的Guass尺度空间算法相比,本算法具有定位准确计算量小的优点,并可利用多尺度空间信息,识别边缘的特性,作为一个例子,本文给出了一个实验。     

颜色传递在图像拼接中的应用

针对图像拼接技术中存在拼接缝的问题,将一种直接在RGB颜色空间中进行颜色传递的算法应用于图像拼接技术中,实现拼接缝的消除。首先利用Harris角点检测器提取图像的特征点,并用BRISK描述子对特征点进行二进制比特串描述;然后利用汉明距离对特征点进行匹配,用RANSAC算法求出变换矩阵,再用高斯加权法进行融合;最后使用颜色传递算法对拼接图像进行色度调整。试验表明,该算法对图像拼接缝的消除具有较好的效果。     

Hough 变换的改进及其在指针式水表识别过程中的应用

在图像处理中,Hough变换广泛地应用于图像空间图形的检测,是从图像中识别几何图形的基本方法之一,但是其对于除直线之外的检测基本都会涉及3个甚至3个以上的参数,导致变换过程中所使用的存储空间大,计算时间长。针对传统Hough变换的算法缺点,提出一种改进的Hough变换算法,首先对原图像进行灰度化、滤波等图像预处理,然后结合图像的结构信息缩小变换像素点所处的范围,从而大大减少计算时间。进一步再将改进的Hough变换应用于图像特征提取,即圆和指针的提取。最后根据圆心连线与指针的角度来对指针的读数进行判别。     

图像质量对Harris角点检测的影响研究

Harfis角点检测计算的依据是图像像素点的梯度，并且受约于像素之间的相关性．而图像质量直接影响像素之间的相关性，从而时Harris角点检测产生作用．本文根据图像质量的几个标准分别时图像进行评价，并阐述图像质量和Harris角点检测之间的关系，把图像质量作为Harris角点检测选择参数的一个依据，并建议通过量表时不同质量的图像选择不同的参数进行角点检测．     

图像质量对Harris角点检测的影响研究

Harris角点检测计算的依据是图像像素点的梯度,并且受约于像素之间的相关性.而图像质量直接影响像素之间的相关性,从而对Harris角点检测产生作用.本文根据图像质量的几个标准分别对图像进行评价,并阐述图像质量和Harris角点检测之间的关系,把图像质量作为Harris角点检测选择参数的一个依据,并建议通过量表对不同质量的图像选择不同的参数进行角点检测.