一种改进Contourlet变换的图像去噪算法

针对Contourlet分解的细节图像在奇异点附近产生振荡,在去噪过程中会产生伪吉布斯现象,提出一种改进的拉普拉斯金字塔实现基于Contourlet变换的图像去噪算法。阈值的选取不仅考虑不同尺度中噪声含量的不同,而且在不同方向上对阈值进行了调整。实验结果表明,利用该文去噪方法进行去噪比其他方法得到更好的视觉效果和更高的PSNR值。     

改进的图像分割方法的应用

为了实现较好的在复杂背景下跟踪目标,提出一种基于YUV灰度阈值法和基于Gauss Laplacian边缘检测法相结合的算法。该算法首先采用灰度阈值法对图像进行灰度处理,使图像只有目标颜色和背景颜色2种颜色,再用Gauss Laplacian边缘检测提取目标轮廓,根据目标形状特征去除与目标颜色相同的其他物体。实验表明与以往采用单一方法相比,该方法在复杂背景下可以很好的提取出目标,达到准确跟踪的效果。     

基于改进多尺度乘积LoG算子的仿射不变形状匹配算法

目标在成像过程中发生的几何变形多数情况下可用仿射变换来描述。据此,提出一种利用角点进行仿射不变形状匹配的算法。首先引入多尺度乘积LoG(MPLoG)算子检测轮廓角点,并根据角点间距自适应地提取轮廓特征点,从而获取形状关键特征;为解决目标的仿射变形问题,采用Grassmann流形Gr(2,n)来表征和度量两形状之间的相似度;最后通过迭代式序列移位匹配算法来克服Grassmann流形对起始点的依赖并完成形状的匹配。对形状数据进行仿真实验的结果表明,所提算法能够有效地实现形状检索和识别,并对噪声有较强的鲁棒性。     

基于SIFT的图像匹配算法

直接用SIFT算法对较模糊图像进行关键点提取时,提取的关键点个数较少且进行下一步匹配时错误匹配较多。提出一种基于SIFT特征的匹配算法,首先利用拉普拉斯算子对图像进行锐化处理,使其边缘得到突出,然后利用SIFT算法进行关键点提取,最后利用双向匹配算法进行图像匹配。实验结果表明,利用本文算法进行匹配比直接用SIFT算法进行匹配时的匹配点数更多,匹配效果更好。     

航空发动机转静径向碰摩位置的智能识别技术研究

获取航空发动机转静碰摩位置对于诊断发动机碰摩故障和改进设计具有重要意义,基于航空发动机转子实验器的机匣振动加速度信号,研究了一种基于拉普拉斯特征映射（Laplacian Eigenmaps,LE）结合球结构支持向量机的径向碰摩位置智能识别方法。首先,采用拉普拉斯特征映射算法提取碰摩样本的特征信息,并用网格搜索法优化拉普拉斯特征映射算法的相关参数;然后,将特征样本作为输入到球结构支持向量机分类器,识别不同位置的碰摩样本。最后,利用实测的碰摩数据对此方法进行了验证,并与主成分分析法(PCA)所得特征样本的分类结果进行了比较,结果表明了方法的实用性和有效性。     

基于流形主动学习的遥感图像分类算法

为了高效地解决遥感图像分类问题,提出一种基于流形学习和支持向量机(SVM)的图像分类算法。在初始阶段,该算法首先利用初始训练集训练SVM,并且使用SVM找出离分类界面最近的样本;然后在所选样本中利用拉普拉斯图构建样本空间的流形结构,选出最具有代表性的样本加入训练集;最后利用高光谱图像进行实验进行验证。通过与现有的主动学习算法进行比较,结果表明该算法获得了更高的分类准确率。     

基于流形学习的三维步态鲁棒识别方法

针对过去几乎都是在单目视觉的情况下进行步态识别研究的现状,提出一种基于立体视觉的步态识别方法。首先利用立体匹配技术获得人体轮廓的三维信息,并据此构造出三维人体轮廓描述子以获取人体的步态特征。接着通过平滑、去噪等预处理手段抑制噪声的影响,并采用流形学习构建低维流形进行特征降维。最后将最近邻分类器和最近邻模板分类器用于识别过程。采用该方法在PRLABⅡ立体步态数据库和不规则测试数据集ExN上进行实验,获得较高的识别率。实验结果表明,文中所提出的方法具有与行人行走路径到摄像机之间的距离无关的特点,且对于不完整的残缺步态序列、行人行为姿态的变化、携带物品和服饰变化等具有较强的鲁棒性。     

基于分数阶偏微分的图像边缘检测新模型

现有的图像边缘检测方法效果不太理想,得到的图像边缘可能模糊。针对此问题,将分数阶微分理论和现有的Laplacian算子方法相结合应用于图像边缘检测,提出了一种基于分数阶偏微分的图像边缘检测新模型。实验结果表明,相比现有的整数阶微分边缘检测方法,该模型不仅能较好地检测出图像的边缘特征,而且对噪声具有一定的抑制作用,尤其对于纹理细节丰富的图像而言,能够检测出更多的纹理细节信息,是一种比较有效的边缘检测方法。     

Three-dimensional morphing of similar shapes using a template mesh

Shape morphing is the process of transforming a source shape into a target shape, through a series of intermediate shapes. There are two important problems to be considered in three-dimensional shape morphing: conforming mesh generation and path interpolation. In this paper, a novel approach in which a template mesh is mapped directly to the target mesh is proposed for the efficient treatment of the conforming mesh generation problem. Our mapping technique is based on a shape deformation method using an implicit function and the well-known mesh smoothing scheme, so the implementation of the method is very simple and robust. After mapping the source mesh to the target mesh, i.e., after obtaining a consistent mesh parameterization of the two shapes, the intermediate shapes are obtained by linear interpolation of the modified Laplacian coordinates of the source and target meshes. We demonstrate many examples of morphing between various shapes, including a model of the human head, a head sculpture model, and models of the human body in different poses to show the validity and effectiveness of the proposed method.     

用概率推导和加权迭代L1范数实现信号重构

在对信号稀疏性统计分析的基础上,将具有稀疏描述能力的拉普拉斯分布用于描述信号的先验分布,基于贝叶斯法,利用信号采样值、拉普拉斯先验分布和高斯似然模型,推导信号的后验概率密度估计;最后将最大后验概率(MAP)估计过程转化为加权迭代L1范数的最小化问题。在求解过程中,与非加权的L1范数法进行对比表明,信号重构性能明显提高;通过实验计算,详细讨论了其中一些参数的取值原则和范围;针对稀疏度不同的信号,随着信号非零点数的增加,本文算法重构结果明显优于基追踪(BP)和(OMP)法;与同类的IRL1算法相比较,本文算法更具普遍性和理论意义。