基于变形分析的三维Susan角点检测算法*

为了准确地在三维网格模型上定位特征角点,提出了一种基于变形分析的三维Susan角点检测算法。算法首先利用邻接区域信息定义顶点的变形函数,由变形函数值得到候选角点集合;对于候选角点,设定比较区域,在区域内用相似比较函数确定角点;最后,在一定邻接区域内使用非极大值抑制去除虚假角点。使用特定模拟数据和真实三维人脸模型进行角点检测,实验结果验证了该算法的优越性和有效性。     

多视角2.5维人脸数据的自动配准与三维融合*

提出了一种有效的从三视角2.5维人脸图像到完整三维人脸模型的融合方法。首先用ICP(迭代最近点)方法对三视角人脸图像上手动选取的特征区域进行粗配准,然后用一种调整能量最优方法进行精确配准,最终合成完整的三维人脸模型。通过对融合结果进行相似度测量,实验说明了方法的有效性和优越性。     

基于内容认证的网格模型半脆弱数字水印算法

提出了一种用于内容认证的网格模型半脆弱数字水印算法。网格模型被分割为若干块后,在各块内分别进行频谱分析,水印信号被嵌入到低频系数中。实验结果证明,该算法可抵抗非恶意的正常数据处理,如平移、旋转、各向一致缩放、低强度的顶点坐标量化和光滑处理,对于恶意攻击可实现篡改位置可视化定位标记。     

一种基于多粒子群协同进化的高光谱图像波段选择与分类方法

针对高光谱图像分类过程中数据波段多以及信息冗余量大引起的处理速度慢及Hughes现象等问题,提出了一种基于多粒子协同进化算法进行高光谱图像自动波段选择与分类的方法:使用多粒子群协同进化算法搜索特征子集,对粒子群优化算法进行改进,定义新的位置和速度的更新策略,并以支持向量机为分类器,同时对特征子集和SVM核函数参数进行优化。在协同搜索过程中,引入遗传算法改善粒子群优化的"早熟"收敛问题,构建了一种新的MPSO-SVM(Multiple particle swarm optimization-SVM)分类模型。对高光谱遥感图像的实验结果表明:MPSO-SVM方法不仅能有效地压缩光谱的特征维数,得到最佳的波段组合,还能得到最优的SVM参数,达到较好的分类效果,提高分类精度。     

一种改进的基于粒子群优化的SVM训练算法

支持向量机的训练需要求解一个带约束的二次规划问题,但在数据规模很大的情况下,经典的训练算法将会变得非常困难。提出了一种改进的基于粒子群的优化算法,用于替代支持向量机中现有的训练算法。在改进后的粒子群优化算法中,粒子不仅向自身最优和全局最优学习,还以一定的概率向其他部分粒子的均值学习。同时,还引进了自适应变异算子,以降低未成熟收敛的概率。实验表明,提出的改进训练算法相对改进前的算法在性能上有显著提高。     

一种匀速直线运动模糊参数估计方法

运动模糊恢复就是利用运动模糊退化的某种先验知识来重建或恢复原有图像。在运动模糊的点扩散函数未知的情况下,估计运动模糊的点扩散函数是运动模糊恢复的前提和关键。从傅立叶变换的角度对匀速直线运动模糊图像的点扩散函数在频域中的特点做了理论分析,论证了点扩散函数在频域内的零点特性及模糊图像两次傅立叶同态变换后的方向特性,并提出了利用这些特性进行运动模糊方向估计的方法及两种模糊距离的估计方法。实验结果证明了所提出方法的有效性。     

一种红外图像目标定位的方法

针对红外热像仪定标和红外图像特征点提取难的缺点,提出一种借助虚拟CCD像机,并利用DEM数据对红外目标实时进行三维空间定位的方法。实验结果表明,该方法速度快,三维定位精度较高,易于工程应用。     

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。     

基于Gabor滤波和Radon-Legendre矩的蛋白质结构域分类

提出一种有效的蛋白质结构域结构分类方法,将结构分类问题表示为图像分类问题。将蛋白质结构域的三维结构转换为距离矩阵,并视作灰度图像;从而将结构域的二级结构及拓扑结构,分别映射为此类图像中的不同尺度和方向的局部结构,以及由这些局部结构组成的形状。设计Gabor滤波器来分割这些局部结构,并构造描述二级结构组成的百分比特征。提出一种Radon-Legendre矩来描述形状,并构造描述形状的矩特征。对比实验表明,该方法在结构域分类的识别率和样本数目鲁棒性两个方面均优于其它方法,有效地实现结构域分类。     

基于自适应免疫遗传算法的图像分割

为了有效地对灰度图像进行自动分割,本文基于代价函数最小化方法,提出一种自适应免疫遗传算法用于图像分割.文中图像分割问题被表示为组合优化问题,而自适应免疫遗传算法作为一种优化算法用来寻找(准)最优的分割图像.在该算法中,交叉、变异及免疫算子采用了自适应变化的概率,同时利用问题的先验知识和进化个体的历史信息自适应地提取疫苗,使算法的整体性能得到提高,产生了较令人满意的分割结果,并对噪声有较好的抑制作用.