基于改进的Harris角点的机载红外图像电子稳像

飞机飞行过程中产生的颠簸、晃动会使得采集到的红外图像序列存在抖动,影响后续对红外图像的观察,不利于对红外图像目标的识别、定位与跟踪.本文提出了一种基于改进的Harris角点法对机载红外图像进行实时电子稳像的方法.首先采用改进的Harris角点响应函数结合距离约束条件进行角点检测,该方法保证即使对图像质量较差的红外图像,也能检测出数量足够且分布均匀的角点;然后基于检测出的角点利用提出的关键帧参考方式结合多尺度的金字塔光流算法进行跟踪匹配,完成运动估计,进而实现对机载红外图像的电子稳像.用该方法对多组含有抖动的640×512尺寸的红外图像序列进行稳像处理,实验表明,本文提出的算法与传统的Harris角点检测算法相比有更好的检测效果,能够很好地去除红外机载图像序列的抖动,且能够满足50 fps采集速率下的实时处理.     

分块的基于Harris角点检测的图像配准方法

传统的Harris角点检测选用全局的阈值且不具有尺度不变性,对于较大的图像会导致检测的角点分布不均、错检等问题,为此提出一种新的基于多尺度的Harris角点检测的图像配准方法.首先将图像分块,并对其进行相应排序,根据局部阈值来提取Harris角点,然后根据图像特征点的最邻近和次邻近距离之比来确定初始匹配,最后利用特征点附近的灰度信息来实现进一步的配准.实验证明该方法使得图像配准精度和配准效率得到了极大提高.     

一种分块的基于Harris角点检测的图像配准方法

传统的Harris角点检测选用全局的阈值并且不具有尺度不变性,对于较大的图像会导致检测的角点分布不均、错检等问题,为此提出一种新的基于多尺度的Harris角点检测的图像配准方法。首先将图像分块,并对其进行相应排序,根据局部阈值来提取Harris角点,然后根据图像特征点的最邻近和次邻近距离之比来确定初始匹配,最后利用特征点附近的灰度信息来实现进一步的配准。实验证明此方法使得图像配准精度和配准效率得到了极大地提高。     

基于Harris角点和质量评价的图像篡改检测

复制粘贴是图像篡改的常用手段,经典伪造检测方法将所有重叠图像块作为检测区域,算法时间复杂度高,邻近区域误检率大.为解决以上问题,提出将扩展Harris角点作为检测区域以降低算法复杂度.由于图像经过复制粘贴检测后往往会进行模糊、添加杂色、色彩调整等后处理,使得图像质量下降,本文结合NR图像质量评价给出更为准确的检测结果.实验证明本文算法对经过模糊、添加杂色、JPEG压缩等后处理的复制粘贴图像检测效率高,检测效果好.     

基于改进Harris算法的图像角点检测

针对Harris角点检测算法运行速度慢且单一阚值选取不当容易造成漏检正确角点或提取出较多伪角点的问题,提出了一种快速预筛选方法以提高检测效率,并结合多阈值角点提取及邻近角点剔除策略来改进算法.实验结果表明:单独使用该预筛选方式的改进算法仅用32.71％的时间就可以检测出原算法94.97％的角点;配合多阈值角点检测方法及临近点剔除策略时,改进算法的运行时间仅为原算法的61.94％,且检测出的角点分布更均匀,既能充分代表图像信息又有效地避免了角点簇拥现象.     

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。     

基于角点跟踪的数字稳像算法

在基于特征跟踪的数字稳像算法中,特征提取不稳定和特征匹配计算量大是目前存在的主要问题.针对这一问题,利用角点检测稳定性较好的Harris算子,在图像局部区域内提取角点,通过对比在当前图像中定义的角点距离与在参考图像中定义的窗口距离来确定角点间的对应关系,进而计算仿射模型的运动参数,最终进行运动补偿以达到输出稳定视频图像的目的.实验结果表明:该方法具有很好的稳定性和准确性,并有效地减少了算法的运行时间.因此,这种稳像算法适合于实际场景中的实时应用.     

基于Harris角点和改进SURF描述子的图像快速拼接

针对SURF算法计算量大、对应点匹配时间长的不足,以Harris角点取代SURF斑点作为特征点,改进了描述子生成区域的子块划分方式,使区域面积减小40%。同时,引入尺度因子s以弥补采样区域减小的影响,形成一种计算量小、独特性好的描述子。以该方法构造的角点特征矢量参与同名点匹配,可实现较好的匹配快速性和准确性。匹配完成后,分别使用RANSAC方法和L-M方法获取变换矩阵并进行非线性优化,最后根据图像的不同区域采用不同方法完成图像融合。实验结果表明,该图像拼接方法与传统SURF法相比,图像匹配时间可节约35%以上,整体图像的拼接时间可节约30%左右,大幅提高了图像拼接的效率。     

多尺度Harris角点检测的FPGA实现

针对实时图像处理的要求,提出了一种利用FPGA实现多尺度Harris角点提取的方法。通过简化高斯函数,实现了基于FPGA的尺度空间构建。分析了多尺度Harris角点检测算法,改进了响应值计算函数,通过改进算法步骤,在FPGA上并行搜索位置、尺度空间响应值的极大值,进一步提高了多尺度Harris角点检测的速度。硬件处理速度显示,设计适用于实时性要求高的图像处理领域。     

基于角点特征的图像自动拼接算法

提出了一种基于角点特征的图像自动拼接方法.分析了Harris角点检测算子的实现原理及其不足,提出一种改进的Harris角点检测算法提取图像特征角点,减少了计算量,同时提高角点的定位精度,增强了算法的抗噪性能.然后用快速RANSAC算法求出图像变换矩阵H的初值并使用LM非线性迭代算法精炼H,最后采用像素值加权的方法进行图像融合.实验结果表明,该算法能有效提高配准精确性,具有较高的实用价值.     

基于图像识别的钻头自动跟踪算法

针对当前方法进行钻头自动跟踪过程中,难以对钻头目标模板进行精确描述且运算较为复杂,存在跟踪误差大的问题,提出一种基于图像识别钻头自动跟踪方法。该方法利用双重卷积理论对钻头原图像进行阈值分割,提取钻头运动图像目标,将提取的钻头运动图像目标进行滤波处理,获得钻头图像的归一化中心矩,采用高斯模型对钻头运动图像目标和背景建模,在此基础上将卡尔曼滤波预测估计思想和均值漂移思想相融合,应用于钻头运动图像目标跟踪过程中,由此完成对钻头的自动跟踪。实验结果表明,所提方法能够有效提升钻头运动图像目标的检测精度,且目标跟踪的稳定性较强。     

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。     

多视角红外图像目标识别方法

随着红外传感器的性能提升和应用普及,获取同一场景下同一目标的多视角图像成为可能。为此,提出联合多视角红外图像的目标识别方法。首先对多视角红外图像进行聚类分析,获取多个视角子集。在每个视角子集中,红外图像具有较强的相关性。对于不同的视角子集,它们相对独立。为充分利用这种相关性和独立性,采用联合稀疏表示（JSR）对单个视角子集进行决策。特别地,对于只包含一个视角的子集,则直接采用经典的稀疏表示分类（SRC）进行处理。对于不同视角子集获取的决策结果,基于线性加权的思想进行融合处理,并根据融合后的决策变量判决多视角红外图像所属的目标类别。因此,所提方法在分析多视角红外图像内在关联性的基础上,分别对局部相关性和整体的独立性进行考察,并通过决策层的融合将两者融为一体,提高了最终决策的可靠性。实验中,在采集的多类交通车辆红外图像上进行识别,分别在原始图像、加噪声图像以及部分遮挡图像上对方法进行测试和验证,经过对比分析验证了提出方法的有效性。     

基于图像采集的轨迹识别与跟踪系统设计

本设计采用摄像头进行Z型折线轨迹识别,处理器将摄像头拍摄到的画面进行数据处理,缩放比例显示。同时,本设计采用由二自由度舵机搭建的云台控制激光笔,将摄像头采集到的数据转换为舵机带动激光笔转动的大小,实时跟踪显示屏上显示的点。当显示屏将画面显示完成,处理器将保存部分采集到的点的数据,以便激光笔可以循环跟踪轨迹,并且通过按键可以控制激光笔停止或继续跟踪。     

一种改进的Harris角点检测的图像配准方法

针对在传统的Harris角点检测过程中,手动输入单个阈值可能出现角点聚簇、伪角点等现象,提出了一种改进的Harris角点检测方法的图像配准方法。首先,将图像分割成3×3个无重叠子图,根据每个子图的对比度的大小,来设置每个子图的阈值。然后,采用NCC算法对检测出的角点进行粗匹配。最后,采用RANSAC算法对粗匹配中误匹配点对进行剔除。实验表明:该算法使得检测的角点分布比较均匀,并在图像配准中有效地增加图像匹配点对数,具有良好的实用性。     

简评基于图像融合的目标识别和跟踪算法

传统的目标识别和跟踪算法都是基于单传感器图像的.随着多传感器图像融合技术的深入发展,其在目标识别和跟踪领域的应用也越来越广泛.评述了基于图像融合的目标识别与跟踪算法,包括融合预处理、融合识别和融合跟踪,说明了图像融合思想在目标识别与跟踪领域的优越性.