图像边缘轮廓自适应阈值的角点检测算法

目的 基于边缘轮廓的角点检测算法的检测性能虽然相对比较稳定,但是它对边缘轮廓的局部变化敏感,并且只是给予一个经验门限去提取角点,为此提出一种对局部变化和噪声稳健的基于图像边缘轮廓自适应阈值的角点检测算法。方法 该算法利用各向异性高斯方向导数滤波器对不同边缘和角点模型进行表征,提取表征边缘和角点的灰度及几何变化的不变属性,并通过正则化计算得到区别边缘和角点的自适应阈值。该算法首先利用Canny边缘检测器检测输入图像的边缘映射并从边缘映射中提取出边缘轮廓;然后利用各向异性高斯方向导数滤波器对所提取出的边缘曲线进行滤波平滑,计算出每一像素点的响应并与自适应阈值作比较,把响应大于阈值的点作为候选角点;最后,对候选角点进行非极大值抑制得到最终角点集。结果 提出的算法分别与Harris算法,He & Yung算法,以及ANDDs算法在仿射变换和高斯噪声的实验环境下进行比较,其性能指标为平均重复率与定位误差;并且对每个角点检测算法在无噪声和有噪声的情况下进行了角点匹配比较。4种算法的两个指标的平均排名为Harris 3.375,He &Yung 2.625,ANDDs 2.625,本文算法 1.375。本文算法在仿射变换以及高斯噪声的情况下有着良好的平均重复率和定位误差,优于其他3种算法。匹配实验中的错误点以及丢失点也少于其他3种算法。结论 图像的特征检测在计算机视觉领域是一个重要的课题,在许多视觉系统中,检测特征往往作为复杂计算的第1步。因此,这一步的可靠性会极大地影响着视觉系统整体的结果。而角点作为图像的重要特征,对其研究具有重大意义。本文算法不同于传统的基于边缘的角点检测器仅利用边缘轮廓的信息,还利用到图像边缘像素的灰度信息。而且,本文算法还采用一个自适应全局阈值,避免了角点的误判。正则化的灰度变化有效减少了噪声或者光照对检测性能的影响。通过角点匹配实验、仿射变换实验以及高斯噪声实验,可以看出,本文的角点检测器拥有良好的检测性能,并且对噪声具有稳健性。     

基于自适应方向导数滤波器的彩色边缘检测

传统彩色边缘检测算法在提高边缘检测准确性时可能将噪声检测为边缘,而在提高噪声鲁棒性时会将部分边缘当作噪声进行抑制,导致部分边缘信息丢失。为解决传统彩色边缘检测算法在边缘检测准确性与噪声鲁棒性之间的矛盾问题,提出一种基于自适应各向异性高斯方向导数（ANDD）的彩色边缘检测算法。通过彩色图像的微分自相关矩阵构建反映边缘类型的度量准则,以自适应地确定每个像素处ANDD滤波器的形状,从而准确提取不同类型的边缘特征,采用ANDD滤波器组对图像进行平滑处理,提取在三个通道上的ANDD特征。在此基础上,利用奇异值分解得到最优融合权值,并融合三个通道的ANDD特征,以增强彩色边缘强度。实验结果表明,该算法在无噪声和含噪声环境下的Pratt品质因子分别为0.849 6和0.791 4,与彩色Canny、RCMG-MM和FRPOS算法相比,在保持较高边缘检测准确率的同时具有较优的噪声鲁棒性。     

基于高斯滤波器的尺度相乘边缘检测算法

论文提出一种基于高斯滤波器的尺度相乘边缘检测算法。该算法用两个不同尺度参数的高斯滤波器分别对图像进行滤波平滑,然后将所得的两个结果相乘后,再利用Canny算子对图像进行边缘检测。该算法具有算法简单、编程容易、计算量小等特点。论文最后通过实验验证了该算法能较好地抑制噪声干扰和有较高的边缘定位精度。     

一种基于各向异性高斯核核惩罚的PCA特征提取算法

提出了一种基于各向异性高斯核核惩罚的主成分分析的特征提取算法.该算法不同于传统的核主成分分析算法.在非线性数据降维中,传统的核主成分分析算法忽略了原始数据的无量纲化.此外,传统的核函数在各维度上主要由一个相同的核宽参数控制,该方法无法准确反映各维度不同特征的重要性,从而导致降维过程中准确率低下.为了解决上述问题,首先针对现原始数据的无量纲化问题,提出了一种均值化算法,使得原始数据的总方差贡献率有明显的提高.其次,引入了各向异性高斯核函数,该核函数每个维度拥有不同的核宽参数,各核宽参数能够准确地反映所在维度数据特征的重要性.再次,基于各向异性高斯核函数建立了核主成分分析的特征惩罚目标函数,以便用较少的特征表示原始数据,并反映每个主成分信息的重要性.最后,为了寻求最佳特征,引入梯度下降算法来更新特征惩罚目标函数中的核宽度和控制特征提取算法的迭代过程.为了验证所提出算法的有效性,各算法在UCI公开数据集上和KDDCUP99数据集上进行了比较.实验结果表明,所提基于各向异性高斯核核惩罚的主成分分析的特征提取算法比传统的主成分分析算法在9种公开的UCI公开数据集上准确率平均提高了4.49%.在KDDCUP99数据集上,所提基于各向异性高斯核核惩罚的主成分分析的特征提取算法比传统的主成分分析算法准确率提高了8%.     

消除图像伪轮廓的各向异性自适应滤波

摘要：目的：图像反差增强、重复量化、有损压缩等操作容易造成伪轮廓瑕疵,使原本平滑的区域呈现不真实的亮度和颜色跳变,损害图像质量。针对这一问题提出一种各向异性自适应滤波方法,用于消除伪轮廓．方法：首先检测图像中的边缘和平坦区,若边缘位于平坦区域则判定其为伪轮廓,得到一幅伪轮廓分布图．对伪轮廓上每一点计算两个特性：伪轮廓走向和分布密度,量化为8个方向和6种尺度,据此确定不同方向特性和不同尺度的滤波参数,选择相应的滤波器．为保护目标边缘不受损伤,在含有伪轮廓的图像中提取强度超过指定阈值的边缘,对其进行膨胀生成模板用以屏蔽滤波效果．结果：该方法能有效消除伪轮廓并保护真实边缘不受损伤。实验中采用峰值信噪比（PSNR）和结构相似度（SSIM）评估图像质量,结果表明,各向异性自适应滤波器特性优于其他方法．结论：消除伪轮廓的自适应图像滤波方法能消除因过度增强或不当量化造成的伪轮廓瑕疵,并保留真实边缘,提高图像的视觉质量.     

基于方向导数和B样条小波的图像边缘检测

根据图像边缘及噪声的多尺度传播特性和小波边缘检测的基本原理,提出了一种基于方向导数和三次B样条小波的边缘检测算法。该算法兼顾图像边缘的方向特征和小波基对称、线性相位的特点,较好地解决了边缘提取精度与噪声抑制能力之间的矛盾。通过计算机仿真对该算法进行验证,结果表明该算法不仅能准确地检测出图像边缘,而且能有效地抑制噪声,优于传统的边缘检测算法。     

基于方向气球力活动轮廓模型的图像分割

针对传统参数活动轮廓模型存在对轮廓线初始位置敏感的缺点,提出了方向气球力活动轮廓模型并应用于MRI图像分割。该模型利用底层图像分割的结果确定外力的方向,使气球力方向始终指向目标边界,引导轮廓线变形。当轮廓线运动到目标边界附近时,在高斯势力作用下继续变形,完成图像高层分割。实验结果表明,该模型与轮廓线初始位置无关,能实现MRI图像的自动分割。     

基于轮廓尖锐度的图像角点检测算法

角点是图像轮廓线最重要的特征,为了准确而快速地检测角点,提出基于轮廓尖锐度的计算方法。该算法在多尺度空间中对轮廓曲线进行高斯平滑,在局部支撑区域内计算轮廓每一点的尖锐度,结合角点筛选规则确定角点。数学推导表明该算法具备合理性和可行性。实例分析表明其抗干扰性好、运算量小、定位准确。     

基于GVF Snake的图像轮廓检测

主动轮廓模型（snake）是计算机视觉领域的重要研究方向,受到越来越多的研究者的青睐。由于传统snake具有不能收敛到凹形区域和收敛速度较慢等缺点,通过改进外部能量,引入了梯度矢量流主动轮廓模型（GVF Snake）。实验表明,该方法能更快、更好的收敛于图像轮廓。     

基于高斯核密度模型的运动目标检测

运动目标检测是当前计算机视觉的研究热点之一,本文在研究了现有大量算法的基础上,提出了一种改进的基于高斯核密度模型的运动目标检测方法,引入面积阈值来消除大的噪声和判断背景是否发生了突变,从而重新更新背景样本集。实验结果表明,该方法可以很好地适应背景中存在周期运动干扰的情况,并且可以适应背景突变的情况。     

基于方向滤波的监控图像边缘检测

监控图像的边缘检测是进行高级图像处理和模式识别的基础工作.将方向滤波理论引入监控图像的边缘检测中.通过Roberts算子的四方向滤波扩展,介绍了方向滤波用于边缘检测的一般过程;针对监控图像中斜坡边缘丰富的特点,引入Petrou-Kittler滤波器作为基础滤波器;用方向滤波理论改造Petrou-Kiuler滤波器,形成...     

各向异性扩散与高斯差分模型的多聚焦图像融合方法

利用各向异性扩散模型具有良好的边缘保持特性,提出一种基于各向异性扩散滤波与高斯滤波差分规则的图像融合算法。各向异性扩散方程对图像进行滤波操作,在图像的同质区域实施正向扩散以平滑图像,而在图像边缘实行较弱平滑以保护边缘细节信息。将通过各向异性扩散模型处理的图像与经过高斯函数滤波的结果图像进行差分操作,可以得到图像的高频系数信息。为提高健壮性,对高频系数进行小窗口累加,其作为像素选择准则,再分别从原始图像中直接获取对应的像素值组成融合结果图像。实验结果表明,所提出的方法可以有效地融合源图像信息,非常适合多聚焦     

Two-dimensional multi-pixel anisotropic Gaussian filter for edge-line segment (ELS) detection

In order to further improve the performance of the existing anisotropic Gaussian filters and more fully take advantage of structural information of a boundary, we heuristically develop a new multi-pixel anisotropic Gaussian filter to detect edges or edge-line segments directly from low signal-to-noise ratio images. To significantly increase computational efficiency, the classical isotropic Gaussian filters are first used for quickly estimating an approximate direction along an edge; then our filter is applied to more accurately search edge-line segment direction by a few directional filter masks only near such approximate direction. By comparing the proposed filter with the isotropic Gaussian filters, we analyze two improvement factors associated with the localization and SNR of the proposed filter. Experimental results show that the proposed detector can achieve better performance than several existing edge-detection methods in the sense of noise reduction, good localization, and high edge continuity.     

基于支持向量值和方向滤波器组的图像去噪*

提出了一种基于支持向量值和非抽样方向滤波器组的图像去噪算法。该算法通过构造支持向量值方向滤波器组（SVDFB）对噪声图像进行多尺度、多方向分解,同时考虑到分解系数服从广义高斯分布的统计特征,采用局部自适应贝叶斯阈值方法实现图像去噪。仿真结果和实验分析表明,该算法的峰值信噪比和去除噪声后图像的视觉效果都有明显提高,同时有效保留了原图像的纹理和细节信息。     

Image denoising using bilateral filter and Gaussian scale mixtures in shiftable complex directional pyramid domain

For image denoising, the main challenge is how to preserve the information-bearing structures such as edges and textures to get satisfactory visual quality when improving the signal-to-noise-ratio (SNR). Edge-preserving image denoising has become a very intensive research topic. In this paper, we describe a method for removing noise from digital images, based on bilateral filter and Gaussian scale mixtures (GSM) in shiftable complex directional pyramid (also named Pyramidal Dual-Tree Directional Filter Bank, PDTDFB) domain. Firstly, the noisy image is decomposed into different subbands of frequency and orientation responses using a PDTDFB transform. Secondly, the bilateral filter, which is a nonlinear filter that does spatial averaging without smoothing edges, is applied on the approximation subband. Finally, the distribution of detail subbands of PDTDFB coefficients is modeled with GSM, and the statistical model is then used to obtain the denoised detail coefficients from the noisy image decomposition by Bayes least squares estimator. Extensive experimental results demonstrate that our method can obtain better performances in terms of both subjective and objective evaluations than those state-of-the-art denoising techniques. Especially, the proposed method can preserve edges very well while removing noise.     

基于高斯尺度空间的核相关滤波目标跟踪算法

核相关滤波（KCF）跟踪算法因其计算效率及速度的优势在目标跟踪领域受到了极大关注,但是该算法仍无法实现尺度自适应,针对此问题提出了一种基于高斯尺度空间的解决方法。根据KCF跟踪算法估计目标位置,将目标及其周围的区域作为搜索区域,并与高斯核卷积建立高斯尺度空间。对高斯尺度空间进行双线性插值,得到目标的多尺度估计图像。用平均绝对误差（MAD）作为匹配准则,将模板与图像匹配,从而得到目标的缩放比率。实验结果表明,与CSK算法、KCF算法等相比,所提出的基于高斯尺度空间的KCF在跟踪精确度上有了显著提升。     

基于腐蚀滤波的运动目标检测的图像处理

在智能化数字视频监控系统中,获得的运动目标检测结果,经常存在一定程度的噪声。如果不对其去除,就会影响后续的图像处理质量。论文在对传统均值滤波研究的基础上,提出了一种形态学处理中的腐蚀滤波方法,对图像进行去噪,来改善检测结果的质量,以提高运动目标检测的精确度和视觉效果。通过对实际运动目标检测结果进行去噪处理,图像中的噪声点基本被删除,达到了预期的效果,防止了误检测。实验结果表明,该方法具有实用性和有效性。     

Bayesian network classifiers based on Gaussian kernel density

For learning a Bayesian network classifier, continuous attributes usually need to be discretized. But the discretization of continuous attributes may bring information missing, noise and less sensitivity to the changing of the attributes towards class variables. In this paper, we use the Gaussian kernel function with smoothing parameter to estimate the density of attributes. Bayesian network classifier with continuous attributes is established by the dependency extension of Naive Bayes classifiers. We also analyze the information provided to a class for each attributes as a basis for the dependency extension of Naive Bayes classifiers. Experimental studies on UCI data sets show that Bayesian network classifiers using Gaussian kernel function provide good classification accuracy comparing to other approaches when dealing with continuous attributes.