排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
一般的边缘加权Hausdorff算法,由于单尺度边缘检测算子本身对噪音敏感,会造成真实和虚假边缘显著性差异小,从而加权后对噪音鲁棒性改善有限.为此,提出了一种基于多尺度边缘测度融合加权的Hausdorff景象匹配算法.对图像提取多尺度边缘测度后,引入证据推理理论,提出一种双向指数基本置信指派构造方法,并构造出多尺度边缘测度的基本置信指派函数,然后采用冲突再分配DSmT组合规则进行融合.为了进一步区别真实边缘与高频噪音,对加权Hausdorff公式进行了一些改进,给出了更为有效利用融和后边缘测度的加权Hausdorff公式.对可见光和SAR景象的匹配实验证明:本文算法所提取边缘在抑制噪音的同时保留了大量景象细节信息,并通过横向对比验证本文算法提高了噪音鲁棒性. 相似文献
2.
3.
针对基于传统互信息图像配准容易产生局部极大值,同时结合梯度信息的互信息改进方法不能很好地应用于梯度幅值差异较大的多模图像配准,提出了一种新的结合梯度方向的互信息测度函数.在参量优化过程中,将具有全局优化的遗传算法和Powell局部优化算法动态结合,前者的配准结果为后者的算法优化提供有效的初始点以抑制局部极值,同时借鉴小波变换中多分辨率的思想,在低分辨率图像中粗略配准后,上升到高分辨率图像上进一步细化配准结果,增加算法鲁棒性并减少优化时间.多幅红外与可见光图像配准实验结果证明,提出的算法具有配准精度高和鲁棒性强等特点. 相似文献
1