一种水下双目视觉测距方法研究

基于改进的SIFT特征匹配算法,建立了一个水下双目视觉测距系统.围绕提高水下双目视觉测距的精度、速度和抗干扰度等,研究了图像预处理、SIFT特征匹配算法等关键技术.针对传统图像直方图均衡化结果过亮或过暗现象以及过增强的特点,提出了一种改进的结合了OTSU阈值算法的直方图均衡化方法;结合稀疏匹配搜索算法,提出一种改进的SIFT特征匹配算法对左、右目图像进行特征匹配.利用区域增长算法,分别生成了水下标定板和机械臂的伪彩色视差图像,由视差图获得了目标相应位置的距离.实验结果显示:水下标定板平均测距精确度为97.66%,利用所提方法也获得了水下机械臂的双目视差图像.     

改进的SIFT算法在医学图像检索中的应用研究

针对SIFT算法提取的关键点不具有结构意义、提取运算复杂,应用于医学图像检索中匹配错误率较高的缺点,提出了一种改进的Harris-SIFT算法,将SIFT算法中特征点的检测方法改为Harris角点检测。提取的关键点更均匀合理且具有结构意义,提取运算更简单。通过实验验证,改进算法减少了误匹配率,提高了检索速度。     

基于局部颜色直方图的SIFT算法研究

尺度不变特征变换(SIFT)算法是一种对旋转、尺度缩放和光照保持不变性的局部特征图像匹配算子,是公认的识别率最佳算法之一。而SIFT算法仅使用灰度信息,忽略颜色信息,当对彩色目标识别时,识别率降低。针对此问题,结合直方图保持良好的旋转、缩放、模糊不变性等特点,提出基于局部颜色直方图的SIFT特征描述算法(即CH-SIFT)。在SIFT算法关键点位置不仅生成梯度直方图特征描述,同时生成颜色直方图特征描述。在匹配时,首先使用梯度直方图特征描述对匹配对初次筛选,然后使用颜色直方图特征描述再次筛选,最后确定是否为满足条件的匹配对。实验对比表明,CH-SIFT算法具有识别率高和匹配时间短等优点,能够有效地实现彩色目标匹配。     

基于特征点的目标识别系统研究

在定位系统中,针对传统的SIFT(Scale Invariant Feature Transform)算法难以满足对墙角识别的实时性问题,提出了一种改进的特征提取与描述算法,称为双阈值FAST(Features from Accelerated Segment Test)特征检测的SIFT描述算法.该方法采用双阈值FAST进行特征提取,SIFT算法进行描述,可有效剔除大量非墙角特征点,大大提高了目标识别系统的速度.最后根据聚类与分类的思想,建立了视觉路标库,进行墙角的识别.实验结果表明,该算法在保证匹配正确率的同时提高了系统的实时性.     

基于改进粒子群算法的医学图像分类研究

针对医学图像具有很高的特征维度和非常大的交叉性及相似性、极其容易造成类别归属混乱、导致医学图像多类别分类精度普遍较低的问题,首先提出了一种惯性权重自适应的粒子群算法,并以此为基础引入交叉算子提出一种混合优化算法.然后,采用中值滤波法、直方图均衡化方法对医学图像进行去噪、图像增强等预处理.最后运用改进后的混合粒子群算法集成SVM、KNN、Ada Boost分类器对医学图像进行特征分类研究.试验表明,本文算法的分类结果无论是直接特征提取,还是SIFT特征提取,相对于传统的分类器多类别分类准确率都有所提升;针对MIAS数据集,多类别分类相比于现有的分类算法有明显的精度提升.     

对比度受限下直方图均衡化处理的木板纹路图像增强算法

在木板纹路识别的工程应用中,光照不均匀等因素会产生对比度差的木板图像,将影响木纹的准确识别,针对此现象采用改进的对比度受限自适应直方图均衡化方法(contrast-limited adaptive histogram equalization,CLAHE)对木板纹路图像进行增强处理,首先借助加权平均灰度化对原始图像进行灰度处理,再利用CLAHE算法将灰度图像分割成若干个大小相等连续的子块,选取合适的阈值对每个子块的直方图进行截取,将超过阈值的像素均分到其他的灰度级中,使用双线性插值对图像进行插值运算,得到对比度受限下直方图均衡化图像,最后使用双边滤波器(bilateral filter)对均衡化图像进行降噪保边处理。共用600幅木板图像,其中450幅图像作为训练集图像,150幅作为验证集图像,通过平均绝对误差(mean absolute error,MAE),峰值信噪比(peak signal to noise rate,PSNR)以及最终实验结论对比CLAHE算法和其他一些常规算法,工程运行结果表明:CLAHE方法处理木板纹理图像具有较好的运行效果,为木板纹理的准确识别提供了理论依据。     

挖掘机器人图像匹配算法研究

对当前应用于挖掘机器人视觉系统上的图像匹配算法进行分析,提出了SIFT图像匹配算法.对SIFT特征描述子进行改进,即通过非线性映射函数将原有的SIFT特征描述子映射到更高维的特征空间F上去,然后在空间F上对其数据进行降维处理.实验表明:改进后的SIFT图像匹配算法缩短了图像匹配时间,获得了更高的匹配精度;将该算法应用于挖掘机器人目标识别与定位中,其通用性与鲁棒性更强,能够满足挖掘机器人视觉系统精确性与实时性的要求.     

染色体条纹提取算法研究及应用

提出一种基于灰度阈值的染色体条纹提取方法.利用染色体内部的灰度差异,采用改进的Bernsen算法求取局部阈值;通过迭代二分算法进行染色体区域标定,划分图像的灰度等级,锐化图像;利用锐化图像的灰度直方图提取有效灰度段,获得准确的染色体条纹.最后,应用本文的算法对200张染色体样本图进行测试,试验证明本文算法所提取的条纹清晰准确、噪声干扰小,对染色体的分离算法研究有一定的指导意义.     

采用图像增强的图像特征点匹配算法

首先,利用直方图均衡化、基于照明-反射模型的同态滤波和基于Retinex理论的3种图像增强方法,对收集到的图像进行预处理;然后,对预处理后的图像应用SIFT,SURF和ASIFT算法进行图像特征提取和匹配.研究结果表明:经直方图均衡化处理的图像,用SURF提取的图像特征点匹配率较高;同态滤波预处理图像的方法,经SIFT算法提取图像特征点的匹配率较高.     

基于改进Boosting算法的夜间运动车辆检测

针对夜间交通场景中运动车辆目标提取及实时检测困难的问题,引入改进的Boosting模糊分类算法,提出了一种新的基于车头灯的夜间运动车辆检测方法.通过SIFT算法和融合多特征的方法精确提取夜间运动车辆车头灯特征,利用遗传算法优化Boosting模糊分类算法,并以加权投票方式对提取的车头灯特征进行分类判别,最后结合车头灯空间、运动信息及灯光颜色信息进行同车车头灯配对分组,实现夜间运动车辆的实时检测.实验表明,该方法在夜间交通环境中具有良好的实时检测效果和较高鲁棒性.     

基于多特征的AdaBoost行人检测算法

针对单特征辨识度较低问题,基于多特征的AdaBoost行人检测算法,提出一种融合灰度和轮廓信息的新的多特征综合表示方法.该方法通过统计样本的权重直方图建立分类模型,并用多个直方图的乘积表示样本在多特征下对应的联合概率分布,从而基于多特征联合概率更精准地描述行人,提高行人检测的鲁棒性.实验结果表明,改进后的基于多特征行人检测算法提高了行人检测精度、降低了误检率,目标识别的置信度明显提高,在多变的自然背景下可以取得较好的效果.     

互联网内容相似图像搜索的研究

随着互联网技术日新月异的发展,如何检索出内容相似的图像成为了一个重要的研究课题。在分析了图像特征提取关键技术尺度不变特征SIFT(Scale-Invariant Feature)方法后,对该算法存在的不足进行了改进,提出基于积分图像并行计算的快速SIFT特征检测算法。实验结果表明,改进的算法能有效的缩短图像特征提取计算的运行时间。     

基于改进稀疏编码模型的图像分类算法

针对图像表示,提出了一种基于改进稀疏编码模型的图像分类算法.首先,提取表示图像视觉局部特征的SIFT (Scale Invariant Feature Transform) 描述子;然后,利用稀疏编码方法生成基于SIFT描述子的视觉词汇库,将SIFT描述子编成稀疏向量;通过有效稀疏向量的区域融合和空间结合而获取整体的稀疏向量并用于图像表示;最后,采用随机森林多分类器对稀疏向量进行训练和测试.结果表明,与现有的算法相比,该算法的性能更佳,可以有效表示图像的特性并提高其分类的准确率.     

基于SIFT和CIE Lab的图像篡改检测

目的提出一种将SIFT算法和CIE Lab颜色模型相结合的方法来检测复制-移动篡改图像,解决传统SIFT(Scale-invariant feature transform)算法无法应用颜色特征进行篡改图像检测所导致的特征关键点的错误匹配问题,提高篡改图像检测的准确度.方法分别提取图像的SIFT特征与Lab颜色特征;使用KNN(K-Nearest Neighbor)算法对提取的特征进行分类匹配,排除异常特征值.结果笔者所提方法与以往的SIFT算法相比较,其错误匹配个数明显下降,降低了时间复杂度,提高了检测准确率,对图像篡改部分的平移、缩放和旋转操作都具有较强的鲁棒性,这三种操作对应的F_1值分别可达86.8%,88.4%,88.5%.结论 SIFT算法和CIE Lab颜色模型提取的特征能够较好地满足检测复制-移动篡改图像的要求,颜色信息能够有效地改善特征匹配效果,KNN算法能够成功地排除异常匹配点.     

基于改进SIFT算法的目标识别

针对目标识别过程中识别精度不高、实时性不好的问题,提出基于尺度不变特征转换(SIFT)算法的改进算法,该算法通过研究传统的SIFT算法特征匹配正确率不高、匹配耗时过长的问题,结合Harris算子角点检测特性提出改进,在高斯差分尺度空间内直接检测角点,使得提取的特征点数目减少,计算量降低,特征点提取的显著性提高;同时使用RANSANC方法进行特征匹配约束,减少误匹配,进一步提升目标识别的正确率。为了验证提出算法的有效性,通过MATLAB对算法在尺度变化和噪声等复杂情况下的匹配效果进行实验验证,结果表明,改进的SIFT算法匹配用时大大降低、误匹配较少,匹配正确率提高,具有较强的鲁棒性,可以准确识别目标,具有良好的目标识别能力。     

一种基于小波变换的快速SIFT图像拼接算法

SIFT特征匹配算法是当前图像拼接研究领域的热点。为改进SIFT算法在图像拼接过程中特征点提取环节计算量大、耗时较长的缺点。本文在研究SIFT算法的基础上,提出一种改进的图像拼接算法。此算法先通过小波变换对图像进行预处理,减少在SIFT尺度不变特征提取过程中的数据计算量,以提高图像拼接速度。对两幅待拼接图像,分别采用经典SIFT算法和本文提出的改进算法做仿真实验,当匹配点控制系数a=0．5,经典SIFT算法在确定特征点耗时1．192891S,改进后的算法仅用了0．856712s。仿真对比试验的结果验证了该算法的有效性,同时表明该算法能够在保持图像拼接效果的基础上,提高图像拼接算法的速度和准确性。     

SIFT辅助角点匹配的快速图像匹配算法

采用Harris角点检测算法进行图像特征检测.使用快速SIFT图像匹配方法进行图像匹配并计算基础矩阵,去除误匹配点后用SIFT图像匹配的结果对Harris角点进行定位,并用ZNCC算法对角点进行增量匹配.该算法有效地弥补了SIFT图像匹配算法的特征点只分布于非边缘区域的问题,相比单纯SIFT算法可获得更多的匹配点,并且算法时间增加较少.     

基于图像锐化的SIFT图像复制粘贴篡改检测

SIFT算法提取图像的特征点多为图像目标的边缘点,对于较模糊图像而言,直接使用SIFT算法提取特征点后进行特征点匹配,会降低特征点的匹配数量和匹配正确率,甚至对于复制粘贴篡改图像不能做出正确的判断。所以,提出先对被检测图像利用梯度法进行锐化,使图像目标边缘变得清晰,再用SIFT算法提取特征点及后续操作,以提高匹配的正确率。实验表明,改进算法性能有明显提升。     

保持B超图像灰度级的改进直方图均衡化算法

介绍B超图像以及对其进行图像增强的原因。对直方图均衡化、对数直方图均衡化和排序直方图均衡化原理作介绍,从理论上分析这3种算法吞噬灰度值的原因。提出一种保留灰度级不变的改进直方图均衡化算法。使用直方图均衡化、对数直方图均衡化、排序直方图均衡化和该文提出的改进算法对B超体模图进行图像增强实验,结果表明该文提出的改进算法在B超图像上的增强效果比直方图均衡化、对数直方图均衡化和排序直方图均衡化算法要好。