一种基于面积比不变性约束的曲面纹理算法

文中运用两步映射原理解决了曲面的参数化问题,改进了一种采用面积比不变性约束的球冠映射算法,消除了采用传统的整球面和半球面参数化方法向中间曲面作映射所带来的纹理变形问题,进而较好地实现了由非参数化面片拼接成的曲面表面的纹理映射。     

一种基于面积比不变性约束的曲面纹理算法

文中运用两步映射原理解决了曲面的参数化问题，改进了一种采用面积比不变性约束的球冠映射算法，消除了采用传统的整球面和半球面参数化方法向中间曲面作映射所带来的纹理变形问题，进而较好地实现了由非参数化面片拼接成的曲面表面的纹理映射。     

基于仿射不变性的轮廓曲线局部描述符

特征点(角点、拐点、切点)只反映轮廓曲线的部分信息,为更精确地描述曲线,定义和提取一种特征点——弦高点,基于该特征点构造一种曲线局部描述符,并将其用于曲线匹配。定义的弦高点比现有的特征点更精确描述曲线的特性,能解决轮廓曲线平滑特征点少而不能被精确描述的问题。文中定义的弦高点和构造的识别向量都具有仿射不变性,且均为局部描述符,因而文中方法适合于仿射变换且在遮挡的情况下仍有效。理论分析和实验结果都证明该方法的有效性。     

一种新的特征描述符提取和匹配方法

特征描述符提取和匹配是基于特征点图像匹配方法的一个重要问题。针对特征描述符提取问题,分析了目前已提出的描述符提取方法存在的问题和不足,并针对这些问题提出一种新的描述符提取方法和相应的匹配方法,经过实验和比较,提出的方法有很高的准确率和稳定性。同时,还改进了特征点的梯度方向估计方法,使方向估计具有更高的准确率。     

一种指纹识别的细节特征匹配的方法

介绍了指纹识别的处理步骤，提出了一种基于细节特征匹配的自动指纹识别算法，分别给出了图像预处理，二值化，细化，纹路提取，确定指纹中心点以及指纹匹配的特征和算法步骤，并用实验进行了证明。     

一种快速的具有旋转不变性的模板匹配方法

传统的基于相关的匹配方法计算量相当大,而且当模板相对于搜索图有角度旋转时,匹配的计算量更大。用圆警影和zemike矩的方法对快速的且具有旋转不变性的模板匹配方法进行了研究,圆投影将图像由二维变换成一维,这样就降低了计算复杂度,通过相似性度量可进行快速地粗匹配,然后在可能的匹配点中,再用Zemike矩实现精匹配。     

一种简单的旋转不变性特征量提取算法

本文以文献[1]定义的特征不变量为基础,对原文的算法进行了一定的改进.通过对其提取算法的分析,指出其特征不变量存在的缺陷,定义了一种新的特征量,消除了特征不变量的不唯一问题.实验结果和分析表明,本文算法能够在O(n)时间内提取一种特征不变量,并且所提特征不变量具有平移、旋转及比例不变特性,可以很好地用于图像目标识别.     

基于几何不变性原理图像分割算法研究

研究图像分割精度质量问题,由于图像中存在噪声和伪影,造成区域边界不连续,影响提取质量。传统的图像分割算法提取的图像质量差。为了解决上述问题,提出了一种利用几何旋转不变性特征和直线特征的图像分割算法,有效地提高了图像分割的准确率。算法首先分别对图像提取SIFT和LOFO特征,并在两种特征基础上进行匹配,获得匹配值,然后算法将两个匹配结果有机的结合起来,得到最终的匹配值。仿真结果表明,提出的新的几何不变性原理图像分割算法能快速的有效的分割图像,不仅可以得到了比较高的分割精度,获得有效的提取。还大大减少了计算量,并能够改善图片分割的效率和质量。     

图像矩阵奇异值旋转不变性的重建

自从Hong于1991年把奇异值(SV)代数引入图像识别中以来,奇异值作为良好的模式特征得到了广泛的研究和应用。Hong阐明了图像矩阵奇异值具有很多优良特性,也得出了图像矩阵奇异值具有旋转不变性这一结论。然而,在分析研究中发现,该结论的论证是建立在错误的前提基础上的。本文首先从空间解析几何与矩阵理论对此进行了详细分析,依据实例计算结果进一步引出了相反的结论。最后,提出了用图像矩阵的极变换来重建奇异值的旋转不变性,并给出了理论和实例证明。该研究结果保证了奇异值可作为通用图像特征用于目标识别。     

基于奇异值分解的宽基线图像匹配算法

图像匹配是计算机视觉中许多应用研究的基础.窄基线匹配技术虽然较为成熟,但是解决能力有限,不能处理较大的尺度、旋转、亮度以及仿射变化引起的宽基线图像序列的匹配.针对宽基线图像序列匹配的特点,在分析传统SVD匹配算法不足的基础上,引入具有尺度和旋转不变性的特征,改进邻近矩阵的度量方式,设计了一种新的基于奇异值分解的宽基线自动匹配算法.通过对比实验表明,该算法性能优于基于SIFT距离的匹配器和原SVD匹配算法,对于存在较大的尺度、旋转、亮度等宽基线变化的图像序列,能够自动获得更多的正确匹配点对和较高的准确性,鲁棒性强,甚至对视角和仿射变换也有一定的适应性.     

基于形状不变矩的图像检索算法的研究

描述了一种基于Hu形状不变矩的图像全局形状特征提取方法和算法IMS。实验结果表明,使用IMS。算法提取的形状特征向量具有对平移、旋转和尺度变化的不变性,适合于进行图像形状的检索。     

基于LBP值对空间统计特征的纹理描述符

针对基于内容图像检索应用背景下局部二值模式(LBP)描述符缺乏空间描述能力及所需特征矢量维数较长的不足, 提出一种基于LBP值对空间统计特征构建的改进纹理描述符(ILBP)。ILBP描述符首先利用LBP微模式编码方法将原始图像转换为LBP伪灰度图像, 然后再提取出多个关于LBP值对空间分布关系统计值构成描述图像特征的特征矢量。在基于内容的图像检索原型测试平台上完成大量实验。实验结果表明, 与LBP及其各类变种描述符相比, ILBP描述符在进一步增强LBP描述符描述能力的同时大幅度压缩特征矢量维数, 具有更好的查询正确率和查询效率。     

基于目标不变量的识别方法研究

一、引言不变量理论在80年代末引入计算机视觉领域,1991年召开了不变量在计算机视觉应用方面的国际研讨会。目前,对这一课题的研究引起了国内外学者的极大兴趣。视觉不变量理论的优点在于它对目标形状的描述不受目标物体的姿态、透视投影和摄像机内部参数的影响。同时它可以冗余地表示目标全局结构特征,当发生部分遮挡时,可以从剩余部分计算出表示全局的结构不变信息。     

立体视觉研究的现状与进展

立体视觉是计算机视觉中的一个重要分支，一直是计算机视觉研究的重点和热点之一，在２０多年的发展过程中，逐渐形成了自己的方法和理论，本文系统地评述了立体视觉研究的现状与进展，分析比较了各种技术的优缺点和适用范围，并着重论述了立体视觉的核心－－立体一匹配的研究进展，总结分析了目前立体视觉研究所存在的主要问题和今后的发展方向。     

Spatial Color Indexing Using Rotation,Translation, and Scale Invariant Anglograms

As color plays an essential role in image composition, many color indexing techniques have been studied for content-based image retrieval. This paper examines the use of a computational geometry-based spatial color indexing methodology for effective and efficient image retrieval. In this scheme, an image is evenly divided into a number of M * N non-overlapping blocks, and each individual block is abstracted as a unique feature point labeled with its spatial location and dominant colors. For each set of feature points labeled with the identical color, we construct a Delaunay triangulation and then compute the feature point histogram by discretizing and counting the angles produced by this triangulation. The concatenation of all these feature point histograms serves as the image index, the so-called color anglogram. An important contribution of this work is to encode the spatial color information using geometric triangulation, which is rotation, translation, and scale invariant. We have compared the proposed approach with two of the best performing of recent spatial color indexing schemes, Color-WISE and the color correlogram approaches, respectively, at image block and pixel levels of different granularity. Various experimental results demonstrate the efficacy of our techniques.     

Rotation,Translation and Scale Invariant Sign Word Recognition Using Deep Learning

Communication between people with disabilities and people who do not understand sign language is a growing social need and can be a tedious task. One of the main functions of sign language is to communicate with each other through hand gestures. Recognition of hand gestures has become an important challenge for the recognition of sign language. There are many existing models that can produce a good accuracy, but if the model test with rotated or translated images, they may face some difficulties to make good performance accuracy. To resolve these challenges of hand gesture recognition, we proposed a Rotation, Translation and Scale-invariant sign word recognition system using a convolutional neural network (CNN). We have followed three steps in our work: rotated, translated and scaled (RTS) version dataset generation, gesture segmentation, and sign word classification. Firstly, we have enlarged a benchmark dataset of 20 sign words by making different amounts of Rotation, Translation and Scale of the original images to create the RTS version dataset. Then we have applied the gesture segmentation technique. The segmentation consists of three levels, i) Otsu Thresholding with YCbCr, ii) Morphological analysis: dilation through opening morphology and iii) Watershed algorithm. Finally, our designed CNN model has been trained to classify the hand gesture as well as the sign word. Our model has been evaluated using the twenty sign word dataset, five sign word dataset and the RTS version of these datasets. We achieved 99.30% accuracy from the twenty sign word dataset evaluation, 99.10% accuracy from the RTS version of the twenty sign word evolution, 100% accuracy from the five sign word dataset evaluation, and 98.00% accuracy from the RTS version five sign word dataset evolution. Furthermore, the influence of our model exists in competitive results with state-of-the-art methods in sign word recognition.     

基于CUDA的尺度不变特征变换快速算法

针对尺度不变特征变换(SIFT)算法耗时多限制其应用范围的缺点,提出一种基于统一计算设备架构(CUDA)的尺度不变特征变换快速算法,分析其并行特性,在图像处理单元(GPU)的线程和内存模型方面对算法进行优化。实验证明,相对于CPU,算法速度提升了30~50倍,对640×480图像的处理速度达到每秒24帧,满足实时应用的需求。     

基于SIFT特征和对极几何约束的图像配准算法

基于SIFT（尺度不变特征变换）特征匹配思想,提出了一种应用对极几何约束的图像特征配准算法。首先对图像提取SIFT特征点,然后通过欧氏距离估算对SIFT特征描述子进行初始匹配得到预匹配点集;采用基于单应矩阵的抽样算法计算初始基础矩阵,通过RANSAC算法计算精确的基础矩阵和匹配点集,进而实现图像配准。实验表明,该算法可以获得更准确的匹配点,得到精度较高的图像配准效果。     

一种基于稳定区域的图像特征描述子

当不同成像条件下图像局部内容的特征存在明显差异时,会导致特征描述子难以正确匹配。为此,提出一种基于稳定区域的图像特征描述子。利用最大稳定极值区域检测算法提取图像的稳定区域,结合图像特征点的位置和尺度信息,根据稳定区域计算特征主方向,在适应于特征点所属稳定区域尺度的较大邻域内,生成基于对数-极坐标系的特征描述子。应用结果表明,该描述子在图像局部内容变化较大时仍具有旋转不变性和稳定的匹配性能,能有效解决印刷电路板CT图像的配准问题。