基于SIFT特征点的三维点云模型盲水印算法

为提高三维模型版权信息的安全性和鲁棒性,提出了一种基于尺度不变特征转换的三维点云模型水印算法。首先对三维点云模型进行主成分分析,然后将模型中的点到模型中心的距离r进行一定的排序,形成一个m×n的矩阵。对该矩阵进行尺度不变特征提取,找到其稳健的特征点。在选取合适的特征点后对其邻域进行Contourlet变换,将水印嵌入其低频部分,然后进行Contourlet逆变换,即可生成带水印的三维点云模型。实验表明,该算法对几何攻击以及噪声、裁切、简化等攻击具有较强的鲁棒性。该算法可用于实际三维模型的版权认证。     

基于断裂面特征点匹配的文物碎片重组方法

在计算机辅助文物虚拟复原过程中,针对现有复原方法匹配精度低、速度慢等问题,提出一种新的基于断裂面特征点匹配的文物碎片重组方法。利用改进的内部形状签名法提取碎片断裂面潜在特征点;计算特征点邻域几何特征的协方差矩阵,从而构建特征描述符;采用对数欧氏黎曼度量方法作为相似性度量准则,通过双向最近邻法获得初始点对集合,再利用典型相关分析法消除误匹配对得到最优匹配集;使用最小二乘法估算刚体变换矩阵将碎片粗对齐,再采用迭代最近点算法实现精确对齐,最终实现碎片重组。实验结果表明,本文算法相对传统算法特征点数量少,描述符简单,且稳健性强,有效提高了碎片重组的效率和准确性。     

尺度不变特征与几何特征融合的人耳识别方法

要提高人耳的识别率,关键是特征的提取与表达.尺度不变特征变换(SIFT)技术是局部点特征提取算法,在尺度空间寻找极值点,提取对图像的尺度和旋转变化具有不变性,对光照变化和图像变形具有较强的适应性的特征向量.尝试用SIFT技术来提取外耳图像的结构特征点以形成稳定的特征描述子,为了克服一幅图像中有多个局部描述子相似的问题,在SIFT特征描述子中融入一个耳廓几何特征.最后采用特征向量的欧氏距离作为两幅图像相似性度量标准进行人耳识别.在耳图像库七进行实验.结果表明,该方法不仅可以有效地提取人耳特征,通过少量特征可获得较高的识别率,而且对耳图像刚体变化具有较强的稳健性.     

基于邻域特征点提取和匹配的点云配准

为解决噪声干扰、数据丢失情况下迭代最近点算法的鲁棒性差、配准精度低等问题,提出一种基于邻域特征点提取和匹配的点云配准方法.首先定义一个由点的k邻域曲率、点与邻近点的法向量内积均值以及邻近点与邻域拟合平面的欧氏距离方差等三部分组成的邻域特征参数,结合在移动最小二乘表面构造的曲率特征参数对点云进行两次特征点提取;其次依据直方图特征定义三个匹配条件,并用双重约束获得正确的匹配点对;最后在配准阶段,采用双向构建k维树的迭代最近点算法实现精确配准.实验结果表明,该算法的配准精度较迭代最近点算法提高了90%以上,并且能够在噪声环境下有效地完成缺失点云的配准,在鲁棒性和精确配准方面有明显优势.     

多尺度无监督彩色图像分割

非采样Contourlet变换是一种新的多尺度多分辨率分析工具,本文提出了一种基于非采样Contourlet变换的彩色图像无监督分割算法.首先利用非采样Contourlet变换的平移不变性在其变换域应用梯度向量法提取图像多尺度边缘;然后在Contourlet变换域的低频子带和高频子带中分别提取局部低频能量纹理特征与高频...     

多尺度无监督彩色图像分割

非采样Contourlet变换是一种新的多尺度多分辨率分析工具.本文提出了一种基于非采样Contourlet变换的彩色图像无监督分割算法.首先利用非采样Contourlet变换的平移不变性在其变换域应用梯度向量法提取图像多尺度边缘|然后在Contourlet变换域的低频子带和高频子带中分别提取局部低频能量纹理特征与高频多尺度Zernike矩纹理特征,并将二种纹理特征融合.最后在边缘图像中映射种子像素点,利用纹理和颜色特征欧氏距离,对彩色图像采用区域生长和区域合并的方法进行分割.实验结果证明:该算法将图像空间域的颜色特征与非采样Contourlet变换域的多尺度边缘和纹理特征恰当结合在一起实现彩色图像无监督自动分割,与传统算法相比有更高的准确性和鲁棒性.     

基于分组三维离散余弦变换字典的植物高光谱数据去噪方法EI北大核心CSCD

针对植物高光谱图像各波段噪声强度不同,以及空间域和谱域均存在噪声污染的问题,提出了一种基于分组三维(3D)离散余弦变换(DCT)字典的稀疏表示去噪方法。首先分析了植物光谱特征,根据谱间相关性对波段进行分组;然后采用边缘块剔除的局部均值标准差法对高光谱图像进行噪声标准差估计,为去噪算法提供参考阈值;最后构建三维DCT字典的稀疏表示去噪方法,对植物高光谱图像进行去噪。实验结果表明,与原始数据和二维DCT字典去噪方法相比,谱域噪声评估中平均信噪比分别提高18.2dB和9.2dB。因此,该方法不仅具有较好的空间域去噪能力,也有较好的谱域去噪能力。     

融合全局与局部多样性特征的人脸表情识别

通常主成分分析(PCA)只能保持数据的全局结构,邻域保持嵌入(NPE)算法只能保持邻域样本间的相似性,忽略了其差异性。针对上述问题,提出了一种融合全局与局部多样性的特征提取算法,并将其应用于人脸表情识别中。该算法利用PCA算法保持全局结构,并通过流形学习思想定义局部差异离散度和局部相似离散度,结合最大局部散度差准则,有效刻画出局部流形结构的多样性;将全局特征和局部多样性特征相结合,提取出低维流形特征用于表情分类。在JAFFE和Cohn-Kanade人脸表情数据库上的实验表明,该算法与PCA、局部保持投影(LPP)、NPE等算法相比,不仅有效地提高了识别率,而且在取得最高识别率时所需维数最低,证明了此算法在识别效果方面的优越性。     

基于矢量夹角的三维物体识别

提出了一种基于局部描述符的物体识别算法.算法根据点云位置信息得到其矢量和曲率信息,根据形状索引提取特征点,在每个特征点根据矢量夹角把点云物体分割成不同的曲面片,每个矢量夹角曲面片通过一个二维直方图描述.该图显示了特征点与邻域之间法线矢量夹角对特征点法线矢量与特征点到邻域矢量之间夹角的出现频率.对于给定的一个物体,通过比对预测物体和模型物体的曲面片集描述,可得到潜在的对应模型物体,再通过迭代最近点算法,得到最终的识别结果.     

基于曲面分割的三维点云物体识别

提出了一种基于局部描述符的三维点云物体识别算法.算法首先得到点云的邻域、法线矢量等相关信息,通过邻域进一步得到形状索引值.特征点的提取以形状索引值为依据,以每个特征点为基点对曲面根据欧式距离和矢量夹角分割.分割的曲面片进行等间距划分为多个欧氏距离同心圆,以特征点切平面为基平面投影,并进行等角度抽样,通过抽样点相对特征点的法线矢量及测地距离变化曲线,建立曲面片的二维描述,从而把三维识别转化为二维.根据算法建立模型数据库,给定一个物体,通过和模型数据库中的曲面描述进行比对,得到潜在的识别结果,再通过迭代最近点算法,得到最终的识别结果.最后,通过大量具体实验验证了算法的有效性,并给出了算法的计算复杂度及耗时对比分析,说明了算法的高效性.     

基于曲面分割的三维点云物体识别

提出了一种基于局部描述符的三维点云物体识别算法.算法首先得到点云的邻域、法线矢量等相关信息,通过邻域进一步得到形状索引值.特征点的提取以形状索引值为依据,以每个特征点为基点对曲面根据欧式距离和矢量夹角分割.分割的曲面片进行等间距划分为多个欧氏距离同心圆,以特征点切平面为基平面投影,并进行等角度抽样,通过抽样点相对特征点的法线矢量及测地距离变化曲线,建立曲面片的二维描述,从而把三维识别转化为二维.根据算法建立模型数据库,给定一个物体,通过和模型数据库中的曲面描述进行比对,得到潜在的识别结果,再通过迭代最近点算法,得到最终的识别结果.最后,通过大量具体实验验证了算法的有效性,并给出了算法的计算复杂度及耗时对比分析,说明了算法的高效性.     

基于Shape Context和尺度不变特征变换的多模图像自动配准方法

提出了基于修正的尺度不变特征变换（SIFT）特征提取和Shape Context特征描述算子相结合的多模图像自动配准算法,该算法利用修正的SIFT算法提取多模图像中的特征点,然后采用Shape Context算子描述特征点,利用特征点周围区域边缘点的梯度方向形成特征向量。采用欧氏距离作为匹配标准对多模图像中特征点进行初始匹配,然后通过RANSAC算法消除误匹配的特征点对,并采用最小二乘法计算仿射变换参数,最后通过仿射变换和双线性插值实现图像配准。对红外图像和可见光图像的配准实验结果表明了本算法的有效性和稳定性。     

一种新的空谱联合探测高光谱影像目标探测算法

高光谱遥感影像不但具有高分辨率的空间信息还包含连续的光谱信息,因此在目标探测领域具有独特的应用优势。传统的高光谱遥感影像目标探测侧重于光谱信息的应用,形成了确定性算法和统计学算法。确定性算法通过计算目标光谱与待检测光谱之间的距离来查找目标,不能检测亚像素目标,而且容易受到噪声的影响;统计学目标检测计算背景统计特性,通过探测异常点来检测目标,可以检测亚像素目标和小目标,但容易受到目标尺寸的影响,不能很好的检测大目标。随着高光谱遥感影像的空间分辨率的增加,探测目标已有亚像素目标逐步转换为单像素及多像素目标,此时,在高光谱图像中,相同类别的地物在空间分布上呈现聚类特性, 因此,在利用高光谱遥感影像进行目标探测时,需要将其空间信息融入算法中。将空间特征引入传统目标探测算法。提出了一种新的空谱结合的高光谱目标探测算法,将传统的基于统计的目标探测算子与空域邻域聚类算法相结合,首先利用目标探测算子将影像划分为潜在目标区域与背景区域;通过计算潜在目标区域的质心,以质心为中心进行邻域聚类,剔除潜在目标区域中的背景区域,通过迭代计算获取最终目标探测结果。传统的基于统计的目标探测算子,将整个探测区域定义为背景区域,实现对背景区域的统计特征提取,而该方法将背景区域与潜在目标区域分离,剔除了目标区域对背景区域的统计干扰。将本算子与传统的约束能量最小化算子和自适应余弦探测算子进行分析比较可知,该算子的大目标探测性能优于传统的统计算子。     

空间栅格动态划分的点云精简方法

常规的特征保持点云精简方法需计算全部点云的微分信息,但直接计算高密度或含噪点云的微分信息存在一定偏差,导致点云精简效果不佳。提出一种基于栅格动态划分的点云精简方法。首先对模型进行空间栅格初划分,利用随机采样一致性算法剔除栅格内的干扰点,然后采用最小二乘法对剩余点进行平面拟合并计算平整度值,根据平整度值判别该栅格是否细分,将平坦区域压入大间距栅格内,特征丰富区域划分至小栅格中。针对小栅格内的点引入高斯函数降低远距离点对特征识别贡献的权重,综合曲面变化度和邻域法向量夹角信息共同识别特征点并保留,大栅格内的点根据栅格间距大小采用不同的采样率采样。与随机采样法、栅格法、曲率精简法对比实验结果表明,该方法能较好地保持模型细微特征且避免孔洞的出现,精简后模型的最大偏差为1.502 mm,远小于其他三种方法;随着噪声强度的增加,本文方法的精简误差相对较小且变化平缓,在35dB噪声下,平均偏差仅为随机采样法和栅格法的40%,曲率精简法的50%。     

基于区域聚类分割的点云特征线提取

提出一种非结构化点云特征线提取方法,其过程主要分为区域分割和特征检测两个阶段。在区域分割阶段,引入社会粒子群优化模糊C-均值聚类算法对点云数据进行区域聚类,得到边界清晰的各个分区,便于后续边界特征的提取;在特征检测阶段,对各个分区进行局部径向基函数曲面重构,以获取各个分区内采样点的曲率信息。提出基于平均曲率计算的局部特征权值,并通过局部特征权值和曲率极值法对特征点进行双重检测。并通过建立特征点的最小生成树构建特征曲线。对不同点云模型进行特征线提取实验,结果表明,本文方法既能够提取点云模型中的显著特征和尖锐特征,也能够很好地提取特征强度变化的曲线特征。     

基于BLCD分解与ACO-DBN网络的光纤振动信号识别

针对光纤振动信号受噪声干扰严重、特征提取单一和识别时间长的问题,提出了改进的局部特征尺度分解和蚁群算法优化深度置信网络的识别方法。首先,采用三次B样条函数插值拟合均值曲线改进局部特征尺度分解算法,并对原始信号进行分解得到一系列内禀尺度分量之和。其次,利用峭度因子和能谱系数构成融合指标筛选有效分量。然后,分别提取有效分量在时域、频域和时-频域的熵值特征进行融合并降维。最后,将综合特征向量馈入蚁群优化后的深度置信网络进行训练和识别,提高算法效率和识别率。采用实测数据进行实验验证,结果表明,信噪比平均提升8 dB,信号平均识别率可达95.83%,平均识别时间为0.715 s。     

无色差光滑曲面特征点的提取及匹配算法

双目视觉是机器视觉中经典有效的方法。针对无色差光滑曲面特征点难以提取的问题,提出一种用均匀激光网格创造曲面上色彩特征的方法,以及特征点提取和匹配算法。首先,提取激光网格线,采用膨胀与腐蚀等算法将激光线断点拼接并转化为单像素连通线;然后,利用连通线上点的八邻域及四邻域的连通性对特征点进行提取;最后,对提取后的特征点根据位置信息进行编号,完成特征点的匹配。实验结果表明,该算法稳健性好,提取精度高,匹配正确率及重复率高,三维重建后特征点间的距离误差小于0.05mm、标准差为0.0362mm。该算法直接对特征点进行提取及匹配,与离散特征线获取特征点的方法相比精度更高,可应用于曲面上点的均匀抽样检测。     

基于Facet模型的闪光图像边缘检测

针对闪光图像的特点,对经典边缘检测算子进行了分析,发现存在检测出的边缘粗和对噪声的干扰比较敏感的缺点,提出了一种基于Facet模型的爆轰实验图像边缘检测算法。该方法吸取了其它同类方法的优点,引进了正交基简化了运算,用离散正交多项式对图像每个像素的邻域作最佳曲面拟合,在此基础上使用整体梯度算子寻求二阶方向导数的零交叉点,最终提取边缘点。结果表明:该方法检测出的边缘细,并且光滑连续,对图像噪声干扰有较强的抑制能力,对于孤立的边缘能够给出较精确的定位。     

基于保局PCA的三维点云配准算法

三维点云配准是三维重建过程中的重要环节,PCA算法应用于点云配准时无法保留点云局部特征,影响了配准效果,故提出一种基于保局PCA的三维点云配准算法。为了保留点云局部特征,采用保局投影LPP的思想,通过K近邻准则构造点云的邻接图及其补图;对邻近点和非邻近点采取不同的处理方式进行特征提取,通过特征矩阵求得转换参数,进行坐标归一化完成配准;为了减少光照噪声影响,对特征向量矩阵前三个主分量加权后求转换参数。实验结果表明,改进算法在对局部特征结构明显的点云进行配准时有较好的效果,改善了对光照噪声的鲁棒性。     

基于局部特征的大视角图像匹配

针对全空间仿射不变(ASIFT)算法在解决大视角场景下的图像匹配问题时存在稳健性差、匹配效率低的缺点,提出了一种新的图像匹配算法。采用非线性扩散滤波代替高斯线性滤波对图像进行预处理,以提高检测到的特征点的稳健性;在图像模拟变换过程中采用掩模算子对有效区域进行标记,以提高特征点检测效率。根据视角模拟变换原理,提取特征点不同视角变换下的邻域信息,提出了多视角最近邻匹配与加权匹配规则,建立了多视角描述子,提升了匹配效率。实验结果证明,相比现有的特征匹配算法,所提算法不仅对视角变化具有很好的稳健性,还提高了图像匹配效率与准确度。