基于非线性复扩散及全局和局部特性的医学图像角点检测

常规的角点检测方法通常只考虑曲率极大值的局部特性,且在单一尺度下进行,易受噪声的影响,造成角点的漏检。为了克服这些缺陷,本文采用将多尺度分析的非线性复扩散处理方法与边缘点曲率极值的局部和全局特性相结合进行角点检测的方法。首先对图像进行保护边缘的非线性复扩散,以获取不同尺度的图像信息;然后针对不同尺度下图像的实部和虚部,进行基于全局和局部特性的角点检测,除考虑角点曲率极值的局部特性外,还将其与邻近点曲率的关系作为全局特性加以比较,最终确定角点。实验结果表明,本文方法可以有效地去除噪声的干扰,提取的角点数目多,避免漏检,位置准确。     

图像的角点检测研究综述

角点检测是图像处理和模式识别领域的基本课题,它在运动估计、形状分析、3D重建等方面都有重要的应用.本文对角点检测方法进行了详细阐述及分类--基于灰度强度的方法、基于边缘轮廓的方法、基于角点模型的方法,并将现有方法的优缺点进行了总结,指出了存在的问题及进一步的研究方向,预期为图像角点检测提供参考和借鉴.     

基于多尺度二阶广义高斯方向导数滤波器角点检测算法

检测性能良好的角点检测算法能够应对多幅图像中的不同特征及变化,且能够很好的检测图像中的不同或相似特征。二阶各向异性高斯方向导数(SOGGDD)可以很好的提取不同方向的图像信息,并且可以很好的应对噪声干扰,研究了,将不同尺度的图像信息和二阶各向异性高斯方向导数结合提出了一种基于多尺度二阶广义高斯方向导数滤波器的角点检测算法,该算法可以有效提高检测的平均重复性,有效应对不同条件的变化。实验采用了标准数据库和角点检测文献中的28张场景图进行比较。通过对该算法和多尺度Gabor角点检测算法进行平均重复性的对比,实验表明提出的算法具有更好的角点检测性能。     

基于模板边缘的自适应角点检测算法研究与应用

原有算法在检测角点过程中的聚类效果不明显,导致检测后的图像角点个数与实际所需不符,存在伪角点和漏角点,逐渐增加图像的检测时间,为此,设计基于模板边缘的自适应角点检测算法。模板边缘技术可以对潜在的角点区域进行有效规划,以中心点相邻点位进行提纯,具有交点过滤的效果优势。基于模板边缘转化灰度值,分割并预处理图像,抑制角点半径确定对应特征提取点数,获取自适应阈值检测图像角点,完成基于模板边缘的自适应角点检测算法设计。实验结果表明:以两组实际拍摄图像为测试对象,运用传统算法和研究算法进行角点检测,在研究算法应用下,能够真实地标记出两组图像的角点数量,且检测时间均不超过0.2s,具有实际应用效果。     

改进的多尺度Harris角点检测算法

为提高图像中角点检测的准确性,以及对图像噪声的抗干扰性,提出了一种多尺度Harris角点检测算法。该算法首先对图像进行多次高斯平滑,对每次平滑后的图像进行Harris角点检测,获得角点信息;而后,利用真实角点比噪声更稳定的特性,通过统计不同尺度下获得的角点信息,最终提取到真实的角点。实验证明,对于包含大量噪声的图像,提出的多尺度Harris角点检测算法仍能够准确的提取到真实的角点。     

一种新的Harris多尺度角点检测

Harris角点检测是一种经典的角点检测算法,但不具有尺度变化特性。该文把多分辨分析的思想引入到该算法中,构造了基于小波变换的灰度强度变化公式,并得到了具有尺度变换特性的自相关矩阵,从而构建了一种新的基于小波变换的Harris多尺度角点检测算法。这样,使得新的角点检测可以在不同的尺度下获取角点,并克服了单一尺度的Harris角点检测可能存在的角点信息丢失、角点位置偏移和易受噪而提取出伪角点等问题。通过对比实验,新算法明显地提高了图像角点检测性能。     

图像角点和边缘提取的相位叠合算法

提出了一种通过相位叠合模型来检测角点和边缘的算法,这种方法利用图像傅里叶分量在特征叠合次数最多的概念,采用相位叠合后的关键点来确定角点和边缘信息,利用相位叠合来标记特征点比用梯度方法有明显的优点:相位叠合是一种无量纲量,而且对图像的亮度或对比度是不变的,因此它能提供对特征点的绝对度量.实验结果证明本算法提取的角点和边缘特征不随图像照度而改变,提高了不同照度下提取图像边缘特征的可靠性.     

光场相机标定中亚像素角点检测方法研究

针对光场相机标定中亚像素棋盘角点检测速度慢、检测精度不高等问题,该文提出一种基于双曲正切模型的亚像素精度棋盘角点检测方法。首先,采用灰度差分与模版相结合的筛选策略进行初始角点集的筛选;然后,应用一种区域灰度自适应角点检测算法获取候选角点集;最后,建立候选角点的双曲正切模型,对亚像素级候选角点的灰度分布进行拟合,通过对模型进行优化从而剔除伪角点并精确定位亚像素级棋盘角点。该方法在光场相机标定中达到98%的角点检测率,重投影误差低于0.83像素。实验结果表明,所提方法不仅可以快速提取更多的角点,同时能有效剔除伪角点,提高亚像素角点检测精度。     

直接基于灰度图象的多尺度角点检测方法

在计算机视觉领域中角点特征的提取具有相当重要的地位，因为角点包含了丰富的信息。本文提出了一种新的利用微分几何和小波变换的多尺度角点检测方法，它具有以下特点：一是无须提取边缘图象，而是直接在灰度图象上提取角点。二是由于利用了小波变换技术从多个尺度上进行角点的提取，所以它既较为有效的抑制了由于噪音等原因造成的诸多错误角点位置的出现，又能得到较为精确的有用角点位置。最后通过实验证明了本算法有效性。     

基于模板边缘的自适应Harris角点检测算法

针对传统Harris算法检测的角点出现聚簇、伪角点以及阈值人为设定的问题,提出一种基于模板边缘的自适应Harris算法。首先,利用局部区域的思想检测出图像中的潜在角点区域;然后,对潜在角点区域利用改进的自适应阈值Harris算法进行角点提取;最后,提出模板边缘的思想,构造一个新的圆形模板,通过评估中心点与模板边缘像素点邻域的灰度变化情况,对提取的角点进行提纯,过滤掉伪角点,得到最终检测结果。实验结果表明,该方法在计算效率上比Harris算法提高了32.8%,在实际应用中具有较高的精确度和鲁棒性。     

基于相位一致性的红外图像边缘检测方法

由于红外图像的灰度和对比度较可见光图像的低,用基于灰度的边缘检测方法检测红外图像的效果不佳。针对这种情况,利用相位一致性对灰度和对比度的变化具有不变性的原理,提出了基于相位一致性的红外图像边缘检测方法。首先计算红外图像的相位一致性值,然后采用K-mean法分割出包含边缘的区域,最后用形态学相关方法生成边缘曲线。实验结果表明,该方法对红外图像边缘的检测效果比Canny算法更准确。     

一种基于梯度方向一致性的边缘检测新算法

为达到同时提取图像的主要边缘和微弱边缘并有效抑制噪声的目的,该文利用真实图像边缘两侧的灰度渐变性,以及边缘点周围灰度梯度的方向一致性好而非边缘点周围灰度梯度的方向一致性差的特点构造了梯度方向和(SGD)指标;并根据该指标提出一种阈值自适应的边缘检测算法。实验表明:梯度方向和在有效提取边缘点的同时能较好地抑制高强噪声;该指标对光照和对比度变化有较强的鲁棒性;将其用于阈值的自适应调节,得到的基于梯度方向一致性的边缘检测方法能较好地解决兼顾弱边缘检测的同时而不引入噪声干扰的问题。     

Adaptive image denoising using scale and space consistency

This paper proposes a new method for image denoising with edge preservation, based on image multiresolution decomposition by a redundant wavelet transform. In our approach, edges are implicitly located and preserved in the wavelet domain, whilst image noise is filtered out. At each resolution level, the image edges are estimated by gradient magnitudes (obtained from the wavelet coefficients), which are modeled probabilistically, and a shrinkage function is assembled based on the model obtained. Joint use of space and scale consistency is applied for better preservation of edges. The shrinkage functions are combined to preserve edges that appear simultaneously at several resolutions, and geometric constraints are applied to preserve edges that are not isolated. The proposed technique produces a filtered version of the original image, where homogeneous regions appear separated by well-defined edges. Possible applications include image presegmentation, and image denoising.     

基于改进的形态学灰度图像边缘检测算法

针对传统形态学在边缘检测算法上存在的检测边缘错位、较粗等缺点,在传统形态学的基础上,提出了一种具有方向估计性的梯度算子。该算法通过改进的梯度算子及多结构元素模式来获取梯度方向,并沿边缘梯度方向进行非极大值抑制,以此细化边缘宽度,最终获取图像边缘。实验结果表明,相对传统形态学边缘检测算法,该算法具有更精细的检测结果与较强的抗噪能力。     

基于神经网络的图像弱边缘检测方法研究

主要立足于图像点处理与神经网络相结合的思想,提出了一种基于边缘点特征的BP神经网络图像边缘检测方法.利用提取出的图像边缘特征向量作为训练样本来训练BP神经网络,进一步完成图像边缘的检测.最后,通过实验与传统的边缘检测方法进行了对比,结果证明该方法检测的边缘轮廓清晰,检测速度较快,特别对含有弱边缘的图像能够更好避免漏检和...     

结合无下采样Shearlet模极大值和改进尺度积的有噪图像边缘检测

为从噪声污染的图像中提取出更为清晰、连续的边缘,进一步改善边缘检测效果,本文提出了一种基于无下采样Shearlet模极大值和改进尺度积的边缘检测方法。首先对含噪图像进行多尺度、多方向无下采样Shearlet变换（Non-subsampled Shearlet Transform, NSST）,得到图像在NSST域的高频系数;然后选取相邻的两个较大尺度的高频系数进行改进的尺度积运算,并经NSST模极大值处理得到边缘二值图像;最后使用区域连通方法去除二值图像中的孤立点,得到准确的边缘图像。大量实验结果表明,与小波模极大值、小波尺度积、基于无下采样Contourlet变换（Non-subsampled Contourlet Transform, NSCT）模极大值和尺度积、NSST模极大值等4种边缘检测方法相比,本文提出的方法具有更强的抗噪能力,且有效地避免了纹理的影响,检测出的边缘完整清晰,连续性好。      

一种复杂环境中的车牌定位算法

提出了一种结合车牌区域边缘特征和梯度方向特征的新型车牌定位算法,该算法将车牌图像变换为灰度图像后,首先利用Sobel算子和Gradienffaces方法分别获取车牌图像的垂直边缘图像和梯度方向图像,然后根据边缘长度、边缘点密度去除垂直边缘图像中的干扰,并根据梯度方向图像中的梯度方向消除更多的干扰边缘,最后利用一个矩形窗扫描边缘图像完成车牌区域的定位和分割.实验结果表明,该方法的定位准确度可达93.7％,同时对复杂背景或弱光环境下的车牌图像具有很好的鲁棒性.     

一种基于兴趣点特征匹配的图像镶嵌技术

提出一种基于兴趣点特征匹配（IPFM）的图像自动镶嵌技术。首先利用混合的角和边检测器获取待镶嵌图像中的兴趣点，通过采用一种双向最大相关系数匹配的方法提取出初始特征点对，然后用空间坐标距判别准则剔除伪特征对，最后利用正确匹配特征点对实现图像的镶嵌。此外，在图像融合技术中引入了域值的概念，从而解决了重叠区域图像平滑过渡问题。实验表明：该方法能够快速准确地提取出两幅图像间的对应特征点，大大降低了误匹配的概率；在图像间存在小的旋转量情形下，仍能有效地实现图像的平滑镶嵌。     

噪声图像中提取边缘的蚁群搜索算法

该文提出一种边缘引导的蚁群搜索算法,以解决常用的边缘提取方法抑制噪声能力不强,提取边缘不连续的缺点.此算法首先进行边缘检测获取由真实边缘和噪声组成的可能边缘点;然后利用可能边缘信息引导蚁群迭代搜索局部边缘曲线,并根据蚂蚁搜索曲线的长度更新其行走路径上的信息素分布,使搜索逐渐向真实的边缘收敛;最后,依据信息素遗留提取真实的边缘曲线.相对传统的蚁群算法,该文利用边缘信息引导蚁群搜索,增强了搜索的目的性,提高了算法效率.多组噪声图像的实验表明:该算法能够有效地从噪声图像中提取物体的真实边缘,在最大限度地保留细节信息的同时抑制噪声.     

基于区域特征的图像配准方法研究

研究一种快速、准确,适用于大角度旋转的图像自动配准方法.首先利用图像边缘点和角点的重复性提取两图像的特征点,有利于提高匹配速度;再利用双向结构相似度最大和三角形相似相结合的方法获得匹配点对,有利于减少误匹配点对;最后利用结构相似度较大的匹配点对求得配准参数,并对图像进行配准.实验结果证明了该算法的正确性和有效性,并且其能够适用于较大缩放倍数和旋转角度图像的配准.