梯度方向
- 基于計(jì)算機(jī)虛擬交互的現(xiàn)代數(shù)字繪畫(huà)技術(shù)研究
別方面采用了梯度方向差分法與LSD算法相結(jié)合的直線檢測(cè)方式,以“梯度”這一像素參數(shù)為依據(jù)精確地提取線條直線特征,對(duì)于識(shí)別出的直線設(shè)置較大的光滑度值,對(duì)于曲線基于最小二乘法進(jìn)行擬合并計(jì)算設(shè)置準(zhǔn)確的光滑度值。在數(shù)字繪畫(huà)圖形渲染方面使用Web GL繪圖標(biāo)準(zhǔn),Web GL直接調(diào)用計(jì)算機(jī)圖形處理器,對(duì)CPU依賴程度低,在釋放了計(jì)算機(jī)負(fù)擔(dān)的同時(shí)提升其運(yùn)行速度,從而降低數(shù)字繪畫(huà)方法的整體時(shí)間復(fù)雜度。最后,在測(cè)試環(huán)節(jié)驗(yàn)證本文方法在數(shù)字繪畫(huà)中的性能優(yōu)勢(shì)。1 計(jì)算機(jī)虛擬交互下
微型電腦應(yīng)用 2023年10期2023-11-09
- 基于IRANSAC-IRLS 直線擬合算法及應(yīng)用
上的邊緣點(diǎn)的梯度方向相近，將梯度方向引入邊緣點(diǎn)RANSAC 擬合，降低錯(cuò)誤的隨機(jī)抽取次數(shù)，篩選出擬合時(shí)的部分噪聲點(diǎn)；最后，對(duì)IRANSAC 提取出來(lái)的局內(nèi)點(diǎn)進(jìn)行迭代加權(quán)最小二乘擬合，降低數(shù)據(jù)本身的誤差對(duì)擬合的影響，提高擬合的精度。仿真實(shí)驗(yàn)和實(shí)際產(chǎn)品實(shí)驗(yàn)證明該算法具有良好的時(shí)效性和魯棒性。1 直線邊緣提取在進(jìn)行擬合之前，都需要獲取直線的邊緣點(diǎn)集，微分算子是圖像處理的各種邊緣檢測(cè)方法中最常用的方法，Canny 算子[10]具有良好的邊緣檢測(cè)效果，該方法通過(guò)建立
自動(dòng)化與儀表 2023年9期2023-09-25
- 基于等積環(huán)形分割的高頻元件快速識(shí)別算法
的梯度幅值與梯度方向在各個(gè)等積環(huán)中使用8方向Sobel算子計(jì)算梯度幅值（Pixel Gradient Amplitude，PGA）與梯度方向（Pixel Gradient Direction，PGD）的步驟如下：（1）計(jì)算各方向的梯度幅值。設(shè)原圖M為f(x,y)，0°方向卷積結(jié)果為T0，45°方向卷積結(jié)果為T45，90°方向卷積結(jié)果為T90，PGA與PGD的整體計(jì)算流程，如圖7所示。圖7 計(jì)算流程Fig.7 Calculation Flow2.3.3 有效
機(jī)械設(shè)計(jì)與制造 2022年12期2022-12-30
- 梯度方向一致性約束下的多級(jí)低照度圖像超分辨率重建模型
，本文構(gòu)建了梯度方向一致性約束下的多級(jí)低照度圖像超分辨率重建模型。1 圖像輪廓線重建自然圖像的邊緣為多個(gè)像素寬度的灰度區(qū)，過(guò)渡區(qū)圖像中的灰度改變往往有一定規(guī)律，這種變化與邊緣重建[3]有著很大關(guān)系。為了在自適應(yīng)的邊緣檢測(cè)中使用，提出了基于梯度方向一致性約束下的梯度輪廓線重建方法。使用魯棒映射方法去除灰度梯度波動(dòng)影響，并用公式（1）描述點(diǎn)(a,b)處水平方向的灰色梯度，并確定梯度數(shù)值[4]。式中：λ表示判定閾值；α表示水平方向梯度值。通過(guò)對(duì)所得到圖像進(jìn)行橫向
現(xiàn)代電子技術(shù) 2022年23期2022-12-01
- 基于梯度方向特征的表情識(shí)別研究
特征提取以及梯度方向特征提取(Histogram of Oriented Gradient,HOG)等，此方法具有旋轉(zhuǎn)不變性，抗噪聲抵抗能力強(qiáng).幾何特征提取圖像中各個(gè)特征點(diǎn)之間的幾何關(guān)系，此方法需要對(duì)人臉表情的特征點(diǎn)準(zhǔn)確定位，因此增大了計(jì)算復(fù)雜度，導(dǎo)致識(shí)別時(shí)間增加；經(jīng)典的幾何特征提取方法有主動(dòng)形狀模型(Active Shape Models，ASM)，主動(dòng)外觀模型(Active Appearance Models,AAM)模型等.基于深度學(xué)習(xí)的特征提取方法
許昌學(xué)院學(xué)報(bào) 2022年5期2022-10-14
- 淺談梯度與等高線的關(guān)系
、方向?qū)?shù)，梯度方向導(dǎo)數(shù)的計(jì)算公式[1]：如果函數(shù)f（x，y）在點(diǎn)P0（x0，y0）可微分，那么函數(shù)在該點(diǎn)沿任一方向l的方向?qū)?shù)存在。其中cosα，cosβ是方向l的方向余弦。方向?qū)?shù)是一個(gè)數(shù)，反映的是f（x，y）在P0（x0，y0）點(diǎn)沿方向l的變化率。方向?qū)?shù)為正，說(shuō)明函數(shù)在該方向上遞增；方向?qū)?shù)為負(fù)，說(shuō)明函數(shù)在該方向上遞減。梯度[1]：設(shè)函數(shù)f（x，y）在平面區(qū)域D內(nèi)具有一階連續(xù)偏導(dǎo)數(shù)，則對(duì)于每一點(diǎn)，都可定出一個(gè)向量這個(gè)向量稱為函數(shù)f（x，y）在點(diǎn)P0
新教育時(shí)代電子雜志(學(xué)生版) 2022年13期2022-09-29
- 基于可控方向直方圖算法的掌紋圖像特征提取技術(shù)
技術(shù)2.1 梯度方向直方圖算法由于掌紋具有豐富的圖像信息，因此經(jīng)過(guò)多年發(fā)展，形成了許多關(guān)于掌紋特征信息提取的理論方法，如基于結(jié)構(gòu)特征的識(shí)別方法、基于圖像紋理的識(shí)別方法、基于圖像方向特征的識(shí)別方法、基于圖像低維空間映射的子空間識(shí)別方法、基于相關(guān)濾波器的識(shí)別方法等［7-8］。有研究表明，掌紋線的紋理走向具有較多的辨識(shí)信息，手掌等背景的灰度值與掌紋線的灰度值之間存在較強(qiáng)的差異性，且這種差異不易受到采集環(huán)境和圖像處理操作的影響，因此這里以掌紋線的方向特征進(jìn)行特征信
- 基于改進(jìn)的韋伯算子的帶鋼邊部缺陷識(shí)別
值:1.2 梯度方向韋伯局部描述符中的梯度方向，可由公式4 進(jìn)行表示：為了獲取圖像中更多的紋理細(xì)節(jié)信息，在量化之前首先對(duì)θ 做如下映射f：θ→θ′易知，0∈[-π/2，π/2]，θ′∈[-π/2，π/2]。通過(guò)公式6，即可得到圖像局部區(qū)域內(nèi)的梯度方向分量，其量化函數(shù)如公式7 所示。1.3 直方圖首先利用ζ（xc）和φ（t）并對(duì)其進(jìn)行量化差分激勵(lì)圖像和梯度方向圖像得到其二維直方圖{WLD（ζn，φt}，每一小塊WLD（ζn，φt）對(duì)應(yīng)的值是一個(gè)確定的差勵(lì)區(qū)間
現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化 2022年3期2022-05-08
- 基于FPGA的實(shí)時(shí)Bayer解馬賽克算法與實(shí)現(xiàn)
顏色，再確定梯度方向的“后驗(yàn)”方法[6-7]。該類方法首先計(jì)算出不同梯度方向的候選綠色分量，然后利用自然圖像中色差沿著圖像邊緣的方向更加平滑的特點(diǎn)[8]確定邊緣方向，進(jìn)一步復(fù)原藍(lán)色和紅色分量。算法只需要5～7 行的圖像緩存就可以進(jìn)行瀑布式運(yùn)算，非常適合基于FPGA 的開(kāi)發(fā)，適用于實(shí)時(shí)性要求高的邊緣計(jì)算場(chǎng)景，如自動(dòng)駕駛系統(tǒng)中的攝像組件、高靈敏度光電探測(cè)設(shè)備等。第3 類是基于頻域分析的解馬賽克算法[9-11]，該類方法將Bayer 陣列看作是原始的紅、綠、藍(lán)3
應(yīng)用光學(xué) 2022年2期2022-04-25
- 深度卷積神經(jīng)網(wǎng)絡(luò)權(quán)重參數(shù)更新方法研究
位置上沿著負(fù)梯度方向更新，并不考慮之前的方向梯度大小，有時(shí)候會(huì)下降的非常慢，并且可能會(huì)陷入到局部最小值中，動(dòng)量的引入就是為了加快學(xué)習(xí)過(guò)程，引入一個(gè)新的變量去積累之前的梯度（通過(guò)指數(shù)衰減平均得到），實(shí)現(xiàn)加速學(xué)習(xí)過(guò)程的目的。用數(shù)學(xué)公式來(lái)表示方法如下式所示：這里變量v表示物體在梯度方向上的受力，遵循在力的作用下，物體的速度增加這一法則，v初始為None，若當(dāng)前的梯度方向與累積的歷史梯度方向一致，則當(dāng)前的梯度會(huì)被加強(qiáng)，從而這一步下降的幅度更大。若當(dāng)前的梯度方向與累
中國(guó)設(shè)備工程 2021年24期2021-12-31
- 基于梯度方向的Canny SLIC圖像分割算法
出了一種基于梯度方向的Canny SLIC圖像分割算法。它是把利用邊緣和噪聲在梯度方向上的差異而改進(jìn)的Canny算子和SLIC算法相結(jié)合，來(lái)保護(hù)圖像的弱邊緣信息并提取出完整的輪廓，最后再使用六邊形來(lái)描繪超像素，從而生成令人滿意的超像素分割圖。2 相關(guān)算法介紹2.1 傳統(tǒng)的Canny算法1986年，Canny提出了Canny邊緣檢測(cè)算法和最佳邊緣檢測(cè)的三個(gè)評(píng)估指標(biāo)：低出錯(cuò)率、最優(yōu)定位和最小響應(yīng)[7]。傳統(tǒng)的Canny邊緣檢測(cè)算法分為四步：第一步是圖像去噪。由
計(jì)算機(jī)仿真 2021年9期2021-11-17
- 基于機(jī)器視覺(jué)的燃燒碳化面積測(cè)量方法研究
值。2)計(jì)算梯度方向和強(qiáng)度。通過(guò)已有邊緣檢測(cè)算子(如Roberts，Sobel等)求得水平方向一階導(dǎo)數(shù)值Gx和垂直方向的一階導(dǎo)數(shù)Gy，借此求取該像素點(diǎn)的梯度大小G和方向角theta。(5)3)非極大值抑制。通過(guò)比較當(dāng)前像素梯度與同方向上前后像素梯度幅值大小，判斷該像素點(diǎn)是否為梯度幅值最大像素點(diǎn)，以確定當(dāng)前像素是否為合適的邊緣像素點(diǎn)。4)雙閾值檢測(cè)。為了解決由于噪聲或顏色變換而引起的一些邊緣像素問(wèn)題，Canny邊緣檢測(cè)算法使用雙閾值進(jìn)行邊緣檢測(cè)。雙閾值檢測(cè)方
計(jì)算機(jī)測(cè)量與控制 2021年4期2021-05-07
- 用于自動(dòng)插線系統(tǒng)的連接器識(shí)別與定位算法
方法利用量化梯度方向特征進(jìn)行模板匹配，能夠?qū)崿F(xiàn)目標(biāo)在雜亂背景和光照變化下的快速識(shí)別，但仍存在較多誤匹配、誤識(shí)別的情況；Drost等[9]提出采用深度相機(jī)獲取空間點(diǎn)云，并從中采樣出少量點(diǎn)對(duì)來(lái)構(gòu)成描述子進(jìn)行匹配以識(shí)別物體，但需要特殊的硬件支持，移植性較差。對(duì)于目標(biāo)物體孔中心的定位，劉誠(chéng)等[10]利用顯微視覺(jué)系統(tǒng)并基于Hough變換來(lái)實(shí)現(xiàn)焊孔中心定位；Xue[11]利用線結(jié)構(gòu)光與工業(yè)相機(jī)構(gòu)成的視覺(jué)成像系統(tǒng)來(lái)定位類圓孔中心；Seo等[12]基于雙目視覺(jué)并利用立體校
- 基于機(jī)器視覺(jué)的鋼軌接觸疲勞裂紋檢測(cè)方法
區(qū)域；②統(tǒng)計(jì)梯度方向直方圖：將軌面區(qū)域劃分為若干個(gè)單元區(qū)域，統(tǒng)計(jì)每個(gè)單元區(qū)域的梯度方向直方圖；③檢測(cè)接觸疲勞裂紋：根據(jù)梯度方向直方圖判斷鋼軌是否存在接觸疲勞裂紋。1.2 軌面區(qū)域的提取現(xiàn)場(chǎng)采集的圖片中除了鋼軌，還包含了非鋼軌區(qū)域。非鋼軌區(qū)域的圖像信息對(duì)后續(xù)的傷損檢測(cè)會(huì)產(chǎn)生干擾，要將鋼軌和非鋼軌區(qū)域區(qū)分開(kāi)，提取出鋼軌的軌面區(qū)域［12］。車輪與鋼軌頂面長(zhǎng)期摩擦使鋼軌頂面亮度高，可以利用鋼軌頂面和非鋼軌區(qū)域的亮度差異將鋼軌頂面區(qū)域分割出來(lái)［13-14］。此外，采
鐵道建筑 2021年11期2021-03-14
- 健康人腦組織DKI的可重復(fù)性研究及梯度方向數(shù)目對(duì)可重復(fù)性的影響
和15個(gè)擴(kuò)散梯度方向[1]。關(guān)于梯度方向數(shù)目對(duì)DTI的可重復(fù)性研究已有相關(guān)報(bào)道，例如Liu 等[5]發(fā)現(xiàn)增加梯度方向數(shù)量（number of gradient directions，NGD）可以提高DTI 測(cè)量結(jié)果的準(zhǔn)確性和可重復(fù)性，而Ni 等[6]認(rèn)為不同的NGD 序列不會(huì)改變感興趣區(qū)（region of interest，ROI）的FA、MD 值。本研究分別采用15個(gè)和30個(gè)擴(kuò)散梯度方向進(jìn)行DKI 兩次重復(fù)掃描，探討健康成人腦組織DKI 參數(shù)值的可重復(fù)
- 尺寸不規(guī)則度梯度分布參數(shù)對(duì)泡沫金屬單軸拉伸力學(xué)性能的影響研究
w0為模型沿梯度方向，即x方向的邊長(zhǎng)(本文取值w0=30 mm)。定義梯度參數(shù)k:k=a/d0(2)其中d0表示3D Voronoi模型的平均等效直徑，通過(guò)控制種子點(diǎn)數(shù)量N和模型體積V0實(shí)現(xiàn)，關(guān)系式如下：(3)梯度參數(shù)k越大，表示沿著梯度方向，細(xì)觀結(jié)構(gòu)胞孔尺寸不規(guī)則度差異越大?？刂谱兞縑0,N,a,l0,w0的不同取值，建立不同尺寸不規(guī)則度梯度參數(shù)的3D Voronoi細(xì)觀模型。1.2 合理性檢驗(yàn)泡沫金屬單軸拉伸數(shù)值模擬采用Abaqus/Explicit，
- 特種承壓設(shè)備儀表AI識(shí)別算法研究
過(guò)先在邊緣點(diǎn)梯度方向的統(tǒng)計(jì)分布特征確定潛在直線的主方向，再通過(guò)設(shè)定閾值消除K個(gè)分組邊緣點(diǎn)集中對(duì)直線檢測(cè)毫無(wú)貢獻(xiàn)的點(diǎn)集，從而提高采樣的有效率?；谶吘?span id="syggg00" class="hl">梯度方向的RHT直線檢測(cè)：每條直線的方向大概可以由邊緣梯度方向確定，只要在邊緣上的某些像素頂確定所在位置對(duì)應(yīng)的邊緣梯度方向，邊緣便可看作是特定方向的邊緣像素點(diǎn)構(gòu)成。統(tǒng)計(jì)不同梯度方向的像素點(diǎn)個(gè)數(shù)便能表征圖象邊緣取向的分布特性，從而確定直線的主方向。圖像f(x,y)所在位置的梯度向量可以表示為其中梯度的大小表示為梯
中國(guó)設(shè)備工程 2020年2期2020-03-30
- 連續(xù)負(fù)梯度方向獲得共軛方向的六尋優(yōu)化方法*
要的作用。負(fù)梯度方向因?yàn)槠渚植孔钏傧陆堤匦远蔀樵S多優(yōu)化方法的首選方向，比如坐標(biāo)變換法、共軛方向法、共軛梯度法、由幾何法獲得共軛方向的算法[11]、優(yōu)選可用方向法等。共軛方向的構(gòu)造方法有多種，比如：從不同初始點(diǎn)出發(fā)沿同一尋優(yōu)方向獲得的最優(yōu)點(diǎn)連線是該尋優(yōu)方向的共軛方向[12-13]。在《優(yōu)化方法》的教學(xué)實(shí)踐和課題相關(guān)算法的研究探索當(dāng)中，發(fā)現(xiàn)連續(xù)兩次沿負(fù)梯度方向尋優(yōu)，初始點(diǎn)與終止點(diǎn)連線符合上述共軛方向的構(gòu)造特征，于是提出了三個(gè)算法。2 共軛方向的證明2.1 共
計(jì)算機(jī)與生活 2019年9期2019-09-14
- 基于譜殘差和梯度紋理融合特征的艦船檢測(cè)
合特征。文中梯度方向特征具有較好的旋轉(zhuǎn)和尺度不變性，同時(shí)，采用局部與全局紋理信息互補(bǔ)來(lái)描述紋理特征，充分利用了艦船目標(biāo)切片內(nèi)部的紋理信息。然后，利用AdaBoost分類器對(duì)30維的融合特征向量進(jìn)行分類鑒別，有效地剔除云塊和孤島等虛假目標(biāo)的干擾，減少了特征向量的維數(shù)，降低了計(jì)算復(fù)雜度。2 紋理特征2.1 局部二進(jìn)制模式局部二進(jìn)制模式(LBP)是一種用于圖像局部紋理特征描述的經(jīng)典算子，它的核心思想主要是指設(shè)定中心點(diǎn)像素的灰度值的大小為閾值，將其與它3×3鄰域灰
液晶與顯示 2019年8期2019-09-13
- 基于梯度方向一致性引導(dǎo)的邊緣檢測(cè)研究
，提出了基于梯度方向一致性的改進(jìn)算法應(yīng)用于邊緣像素檢測(cè)。研究結(jié)果表明：基于梯度方向一致性的改進(jìn)算法，可以檢測(cè)出更多的邊緣交叉點(diǎn)細(xì)節(jié)，在連接邊緣方面優(yōu)于傳統(tǒng)Canny算子，并未引入噪聲干擾問(wèn)題。因此，該算法對(duì)邊緣檢測(cè)研究具有一定的參考價(jià)值。關(guān)鍵詞：邊緣檢測(cè);非極大值抑制;交叉邊緣點(diǎn);梯度方向中圖分類號(hào)：O121.8;G558文獻(xiàn)標(biāo)識(shí)碼：ACanny作為最優(yōu)邊緣檢測(cè)算子，具有較高的檢測(cè)精度和較大的信噪比。具體實(shí)現(xiàn)分為使用高斯濾波平滑圖像，計(jì)算每個(gè)像素的梯度的幅
科技風(fēng) 2019年13期2019-06-11
- 融合數(shù)學(xué)形態(tài)學(xué)濾波技術(shù)的邊緣檢測(cè)算法
方向，并根據(jù)梯度方向信息進(jìn)行邊緣點(diǎn)的檢測(cè)和連接.1 傳統(tǒng)的Canny邊緣檢測(cè)算法和缺陷分析1.1 傳統(tǒng)的Canny邊緣檢測(cè)算法傳統(tǒng)Canny算法的基本思想是對(duì)圖像選取一定的高斯濾波器平滑去噪，再尋找濾波后圖像梯度的局部極大值，進(jìn)而確定邊緣圖像[6-7].Canny算法所遵循的3個(gè)準(zhǔn)則為:(1)信噪比準(zhǔn)則：對(duì)邊緣的錯(cuò)誤檢測(cè)率盡可能低，確保輸出的信噪比最大.(2)定位精度準(zhǔn)則：所檢測(cè)的邊緣點(diǎn)偏離真實(shí)邊緣點(diǎn)的距離最小[8].(3)單邊緣響應(yīng)準(zhǔn)則：對(duì)同一邊緣的響應(yīng)
- 基于Oriental-Harris的特征匹配算法
圖像梯度以及梯度方向信息。其中，A為待處理的圖像，Gx為A的x方向的偏導(dǎo)，Gy為y方向的一階偏導(dǎo)，G為其梯度幅值，θ為梯度方向。在檢測(cè)到的角點(diǎn)附近，通過(guò)找梯度內(nèi)部點(diǎn)p的對(duì)稱點(diǎn)p1和p2如圖1（a）所示，由p1和p2的梯度方向計(jì)算角度朝向和角度大小，如圖1（d）所示，根據(jù)公式（3），把“異常”梯度方向矯正（相對(duì)本文計(jì)算角度思路為異常，實(shí)際梯度方向是正常的），若cos η為正，方向水平翻轉(zhuǎn)如圖1（c）；若cos η為負(fù)，不做改變。再由公式（4）和公式（5）計(jì)算
現(xiàn)代計(jì)算機(jī) 2018年14期2018-06-13
- 基于光譜上下文特征的多光譜艦船ROI鑒別方法
“凹凸性”和梯度方向對(duì)稱性的光譜上下文特征描述方法，利用SVM分類實(shí)現(xiàn)艦船ROI鑒別。實(shí)驗(yàn)證明，在不同的圖像分辨率情況下，引入光譜上下文特征的方法能夠有效剔除大量云、海浪、海島、海岸等虛警，具有較好的魯棒性、有效性、適用性。關(guān)鍵詞： 多光譜遙感圖像; 艦船ROI鑒別; 光譜特征; 梯度方向; SVM分類; 圖像分辨率中圖分類號(hào)： TN206?34; TP391.4 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）12?0133?06Abstra
現(xiàn)代電子技術(shù) 2018年12期2018-06-12
- 基于梯度幅度和梯度方向直方圖的全參考圖像質(zhì)量評(píng)價(jià)算法
GMSD等.梯度方向直方圖可表示邊界的結(jié)構(gòu)信息，能準(zhǔn)確地描述邊界的局部形狀信息.基于此，本文提出了一種結(jié)合梯度幅度和梯度方向直方圖的全參考圖像質(zhì)量評(píng)價(jià)算法.1 梯度方向直方圖梯度方向直方圖(HOG)的基本思想是，根據(jù)一幅圖像中的局部強(qiáng)度梯度或邊界方向分布，可以準(zhǔn)確地描述局部物體表象和形狀[16].針對(duì)圖像I，其梯度方向直方圖的提取步驟如下：Gh(x,y)=I(x+1,y)-I(x-1,y)(1)Gv(x,y)=I(x,y+1)-I(x-1,y)(2)梯度幅
- 基于梯度方向的非局部均值圖像去噪算法
出了一種基于梯度方向的非局部均值圖像去噪算法， 利用兩個(gè)像素鄰域的梯度方向信息和鄰域塊之間的灰度值共同確定權(quán)重， 并通過(guò)對(duì)不同的受高斯噪聲污染的圖像進(jìn)行測(cè)試， 驗(yàn)證了本文算法的可行性和有效性.1 非局部均值算法圖像去噪的目的是從受噪聲影響的圖像中獲得最接近于原始圖像的估計(jì)值. 本文添加與圖像無(wú)關(guān)的加性高斯白噪聲作為噪聲模型， 已知一幅離散含噪圖像I={I(i)|i∈Ω}， 其模型表示為I(i)=X(i)+Y(i),i∈Ω,(1)式中：i表示圖像中的任一像素
- 基于雙值韋伯算子的深度置信網(wǎng)絡(luò)表情識(shí)別算法
化了中心像素梯度方向算法， 豐富了局部細(xì)節(jié)紋理信息， 篩選出更有鑒別力的紋理特征. 本文擬將局部紋理特征的提取引入DBN模型， 構(gòu)建表情識(shí)別新方法. 在該算法中， 首先使用DWLD對(duì)所輸入圖像實(shí)現(xiàn)初次特征提取， 以減少光照、 噪音等自然影響和旋轉(zhuǎn)影響； 其次在DBN網(wǎng)絡(luò)中實(shí)現(xiàn)二次特征自主提取， 以得到高層次的抽象特征. 該算法提高了面部表情識(shí)別算法的識(shí)別率， 增強(qiáng)了算法的魯棒性， 減少了深度學(xué)習(xí)計(jì)算量. 實(shí)驗(yàn)結(jié)果表明， 相比傳統(tǒng)WLD特征， DWLD有更好
- 基于5×5鄰域內(nèi)的LGC人臉表情識(shí)別
他一些區(qū)域在梯度方向上的表情分布趨勢(shì)。因此，提出了基于5×5鄰域內(nèi)局部梯度方向（LGC-FN）的特征提取方法，通過(guò)對(duì)5×5鄰域內(nèi)橫向和對(duì)角線方向上的二進(jìn)制編碼得到融合的特征，可以準(zhǔn)確地描述由于皺紋、面部肌肉等形變產(chǎn)生的表情信息。最后，使用支持向量機(jī)（SVM）進(jìn)行特征分類。通過(guò)實(shí)驗(yàn)證明了提出的方法可以有效地提高面部表情的識(shí)別率。關(guān)鍵詞： 中圖分類號(hào)： 文獻(xiàn)標(biāo)志碼： A文章編號(hào)： 2095-2163（2017）06-0047-03Abstract： The t
智能計(jì)算機(jī)與應(yīng)用 2017年6期2018-01-15
- SAR景象匹配適配性指標(biāo)體系構(gòu)建方法研究?
梯度值：4）梯度方向熵在本文中采用梯度方向熵這個(gè)參數(shù)來(lái)度量圖像特征的穩(wěn)定性。首先求得目標(biāo)圖像的梯度方向圖，然后在每個(gè)像素點(diǎn)周圍一定范圍的鄰域內(nèi)，對(duì)其進(jìn)行梯度方向直方圖統(tǒng)計(jì)，再根據(jù)方向梯度直方圖計(jì)算出梯度方向熵。這樣每個(gè)點(diǎn)就都有了一個(gè)熵值，得到熵圖，最后取熵圖強(qiáng)度前30%像素的均值作為目標(biāo)區(qū)域的熵值量度。其具體計(jì)算方法分為4步：（1）計(jì)算梯度的大小和方向?qū)δ繕?biāo)圖像分別在水平和垂直方向上應(yīng)用一維離散微分模板。接著使用卷積核[-1，0，1]，[-1，0，1]T對(duì)
計(jì)算機(jī)與數(shù)字工程 2017年12期2018-01-04
- 嵌入式實(shí)時(shí)Canny邊緣檢測(cè)
為豎直邊緣，梯度方向為水平，編碼“02”。(4)當(dāng)gy>gx×tan22.5° 并且gy梯度方向的編碼如圖9所示。圖8 梯度方向劃分為8類圖9 梯度方向的編碼其中，兩個(gè)三角函數(shù)的值可以事先計(jì)算出來(lái)，可以將不等式兩邊都放大1 024倍，由于1 024為2的冪，乘積運(yùn)算可以轉(zhuǎn)成移位計(jì)算，效率非常高，而且又能等效地保留較多的小數(shù)位數(shù)，保證了精確度。2.4對(duì)梯度幅值圖像應(yīng)用非最大值抑制僅僅得到全局的梯度并不足以確定邊緣，為確定邊緣，必須保留局部梯度最大的點(diǎn)，而抑制
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2017年19期2017-10-21
- 腰椎間盤退行性病變的MRI-DTI定量分析
用，并對(duì)擴(kuò)散梯度方向對(duì)測(cè)量結(jié)果的影響進(jìn)行研究。材料與方法選取來(lái)我院的腰腿疼患者50例，其中男32例，女18例，年齡24～62歲，平均年齡(46.9±16.2)歲，全部患者進(jìn)行常規(guī)MRI及矢狀位DTI腰椎間盤掃描，DTI擴(kuò)散梯度方向分別為6、12、20。按擴(kuò)散梯度方向將腰椎間盤分為DD6、DD12、DD20組；按Pfirrmann (Pm)分級(jí)將椎間盤分為Ⅱ、Ⅲ、Ⅳ及Ⅴ組，測(cè)量并比較不同擴(kuò)散梯度方向組間、不同Pm分級(jí)組間椎間盤髓核區(qū)的表觀擴(kuò)散系數(shù)(appar
磁共振成像 2017年6期2017-09-29
- 基于梯度方向和車載網(wǎng)絡(luò)信號(hào)實(shí)現(xiàn)車道檢測(cè)的研究
基于梯度方向和車載網(wǎng)絡(luò)信號(hào)實(shí)現(xiàn)車道檢測(cè)的研究基于圖像處理的先進(jìn)駕駛輔助系統(tǒng)由于能夠有效提高汽車的行駛安全性，因而其市場(chǎng)份額不斷增加。根據(jù)美國(guó)國(guó)家公路交通安全管理局（NHTSA）統(tǒng)計(jì)，94%的交通事故是由于汽車偏離車道引起的，因而開(kāi)發(fā)出了車道偏離預(yù)警（LDW）之類的先進(jìn)駕駛輔助系統(tǒng)。常用的LDW系統(tǒng)需要借助攝像頭對(duì)汽車行駛前方圖像進(jìn)行采集，通過(guò)采集圖像的處理，提取道路顏色和紋理，識(shí)別道路邊界和車道線，并在汽車偏離車道線時(shí)，通過(guò)聲音信號(hào)或光信號(hào)發(fā)出警報(bào)，以提醒
汽車文摘 2017年9期2017-09-25
- 倒車輔助系統(tǒng)車位線識(shí)別方法研究
直線相適宜的梯度方向區(qū)間，減少參與Hough變換的像素點(diǎn)數(shù)的同時(shí)減少背景干擾直線邊緣的影響，最后通過(guò)判斷相鄰邊緣間的像素灰度關(guān)系，進(jìn)一步確認(rèn)車位線邊緣，從而識(shí)別出圖像中的車位線。相比于傳統(tǒng)hough變換和基于梯度方向區(qū)間的改進(jìn)隨機(jī)Hough變換(Grad-RHT)，本文算法在保持與Grad-RHT運(yùn)行效率相當(dāng)?shù)那闆r下，在各種干擾背景下都取得了更好的車位線邊緣直線檢測(cè)正確率，表現(xiàn)出較好的識(shí)別魯棒性。車位線識(shí)別；Hough變換；局部像素分布；梯度方向區(qū)間；灰度
測(cè)繪通報(bào) 2017年7期2017-08-11
- 基于HOG的實(shí)時(shí)壓縮跟蹤研究
提出一種基于梯度方向直方圖實(shí)時(shí)壓縮跟蹤算法。該算法采用HOG特征取代Harr類特征，增強(qiáng)對(duì)光照的不敏感性，提高了跟蹤魯棒性。通過(guò)不同視頻的測(cè)試結(jié)果表明，文章提出的方法在光照劇烈變化、形變等情況下能準(zhǔn)確地跟蹤目標(biāo)，且平均幀率15 frame/s，基本滿足實(shí)時(shí)性要求。壓縮感知；Harr類；梯度方向直方圖運(yùn)動(dòng)目標(biāo)跟蹤是近年來(lái)計(jì)算機(jī)視覺(jué)領(lǐng)域的熱門研究方向之一，在視頻監(jiān)控、軍事領(lǐng)域、智能機(jī)器人、智能交通系統(tǒng)方面有著廣泛的應(yīng)用背景。2006年壓縮感知被Candes和D
無(wú)線互聯(lián)科技 2017年6期2017-04-26
- 一種自適應(yīng)融合顏色和梯度方向特征的粒子濾波跟蹤算法
應(yīng)融合顏色和梯度方向特征的粒子濾波跟蹤算法魏天舒，尹麗菊，高明亮，鄒國(guó)鋒,臧圓茹(山東理工大學(xué) 電氣與電子工程學(xué)院,山東 淄博 255049)針對(duì)傳統(tǒng)的粒子濾波通常采用單一的特征信息，會(huì)導(dǎo)致跟蹤精度低、魯棒性差等問(wèn)題，提出一種自適應(yīng)融合顏色特征和梯度方向特征的粒子濾波跟蹤算法.首先提取出能夠描述目標(biāo)的顏色和梯度方向特征，并分別采用空間核函數(shù)加權(quán)顏色直方圖和梯度方向直方圖對(duì)特征進(jìn)行描述，然后在跟蹤過(guò)程采用民主融合策略，根據(jù)兩個(gè)特征在跟蹤時(shí)的可靠性，自適應(yīng)的調(diào)
- 盲人探路負(fù)梯度方向法
)盲人探路負(fù)梯度方向法李春明(中國(guó)石油大學(xué)(華東)勝利學(xué)院,山東東營(yíng) 257061)負(fù)梯度方向法作為一個(gè)常用的優(yōu)化方法在機(jī)械工程領(lǐng)域發(fā)揮著重要作用,但是,因其鋸齒現(xiàn)象而具有計(jì)算量大、計(jì)算效率低的缺點(diǎn)。一維盲人探路尋優(yōu)思想總結(jié)為:根據(jù)探測(cè)點(diǎn)與極值點(diǎn)相對(duì)位置的三種情況采取三種處理方案?；诖?將負(fù)梯度方向法進(jìn)行了改進(jìn),提出了新的尋優(yōu)方法——折線負(fù)梯度方向法。算法分為四部分:初始步長(zhǎng)檢驗(yàn)階段;步長(zhǎng)加倍探測(cè)階段;暫不減半步長(zhǎng)階段;步長(zhǎng)減半探測(cè)階段。第三部分考慮了探
甘肅科學(xué)學(xué)報(bào) 2016年5期2017-01-16
- 利用行車記錄儀數(shù)據(jù)準(zhǔn)確識(shí)別行人運(yùn)動(dòng)的方法
用擴(kuò)展的共生梯度方向直方圖（ECoHOG）的方法設(shè)計(jì)特征描述器，采用ECoHOG 和Real AdaBoost相結(jié)合的方法在圖像序列中標(biāo)注行人位置。在運(yùn)動(dòng)識(shí)別部分，首先采用稠密軌跡（DT）的方法創(chuàng)建Bag-of-Words（BoW）矢量，具體包括兩個(gè)步驟：第1步實(shí)現(xiàn)圖像的稠密采樣；第2步實(shí)現(xiàn)從軌跡提取時(shí)空關(guān)聯(lián)特征。然后對(duì)每個(gè)像斑提取相應(yīng)的軌跡特征、梯度方向直方圖（HOG）、光流直方圖（HOF）和運(yùn)動(dòng)邊界直方圖（MBH），由此對(duì)行人運(yùn)動(dòng)類型進(jìn)行分析?；贜T
汽車文摘 2016年11期2016-12-08
- 一種基于梯度方向一致性的邊緣檢測(cè)新算法
海?一種基于梯度方向一致性的邊緣檢測(cè)新算法李 正*張 海(北京航空航天大學(xué)飛行器控制一體化技術(shù)重點(diǎn)實(shí)驗(yàn)室 北京 100191)為達(dá)到同時(shí)提取圖像的主要邊緣和微弱邊緣并有效抑制噪聲的目的，該文利用真實(shí)圖像邊緣兩側(cè)的灰度漸變性，以及邊緣點(diǎn)周圍灰度梯度的方向一致性好而非邊緣點(diǎn)周圍灰度梯度的方向一致性差的特點(diǎn)構(gòu)造了梯度方向和(SGD)指標(biāo)；并根據(jù)該指標(biāo)提出一種閾值自適應(yīng)的邊緣檢測(cè)算法。實(shí)驗(yàn)表明：梯度方向和在有效提取邊緣點(diǎn)的同時(shí)能較好地抑制高強(qiáng)噪聲；該指標(biāo)對(duì)光照和對(duì)
電子與信息學(xué)報(bào) 2016年7期2016-10-09
- 基于支持向量機(jī)的分類器訓(xùn)練研究
VM）方法和梯度方向直方圖特征描述的相關(guān)知識(shí)，重點(diǎn)講述了其原理和計(jì)算過(guò)程，建立了工程車輛樣本庫(kù)，采用梯度方向直方圖作為樣本特征，使用線性支持向量機(jī)的方法訓(xùn)練分類器，最后通過(guò)實(shí)驗(yàn)證明了算法的正確性和可行性。關(guān)鍵詞：梯度方向 支持向量 工程車輛 HOG特征中圖分類號(hào)：TP391.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）06-0000-001 引言一個(gè)完整的模式識(shí)別系統(tǒng)應(yīng)該包括從信息數(shù)據(jù)的采集、處理、分析到?jīng)Q策的整個(gè)過(guò)程[1]。而要使機(jī)器具有
數(shù)字技術(shù)與應(yīng)用 2016年6期2016-07-09
- 仿人腦視皮層機(jī)制的目標(biāo)識(shí)別方法
6］將金字塔梯度方向直方圖PHOG（pyramid histogram of oriented gradient）用于視覺(jué)機(jī)制中，對(duì)視覺(jué)特征的簡(jiǎn)化有一定的改進(jìn)，減小了計(jì)算復(fù)雜度，提高了速度，但該方法建立的模型與腦機(jī)制契合度不夠，處理的圖像也比較簡(jiǎn)單。本文針對(duì)傳統(tǒng)方法的不足，基于視皮層分級(jí)處理的框架結(jié)構(gòu)，模擬皮層腹側(cè)通路的信息處理方式，結(jié)合Gabor濾波器與初級(jí)皮層簡(jiǎn)單細(xì)胞的相似特性，利用該濾波器提取邊緣，根據(jù)復(fù)雜細(xì)胞的max－like機(jī)制，進(jìn)行局部和全局的
計(jì)算機(jī)工程與設(shè)計(jì) 2015年8期2015-12-23
- 基于改進(jìn)HOG 特征值的行人檢測(cè)
狀隱模型以及梯度方向直方圖(HOG)等［1-3］。其中，HOG 特征是由文獻(xiàn)［4］首次提出，以應(yīng)對(duì)梯度直方圖(HG)特征在明暗背景中梯度方向產(chǎn)生變化的情況。由于HOG 特征對(duì)圖像窗口中的梯度信息進(jìn)行了充分的描述，并且對(duì)小幅旋轉(zhuǎn)和平移變化具有較強(qiáng)的魯棒性。因此，基于HOG 特征的行人檢測(cè)算法被廣泛研究和改進(jìn)。如朱向軍［5］等人通過(guò)大量的實(shí)驗(yàn)分析表明:HOG 特征在不同光照條件下對(duì)行人具有敏感的識(shí)別能力。Paisitkriangkrai S［6］等人詳細(xì)研究了
計(jì)算機(jī)與現(xiàn)代化 2015年2期2015-11-26
- 利用梯度方向的Hausdorff距離配準(zhǔn)紅外和可見(jiàn)光圖像
036)利用梯度方向的Hausdorff距離配準(zhǔn)紅外和可見(jiàn)光圖像馮曉磊1，吳 煒1，李 智1，鄧 文2(1.四川大學(xué) 電子信息學(xué)院，四川 成都 610064；2.西南電子設(shè)備研究所，四川 成都 610036)基于Hausdorff距離的算法已經(jīng)被廣泛應(yīng)用于異源圖像配準(zhǔn)，但是現(xiàn)有的Hausdorff距離配準(zhǔn)算法是在整幅圖像上找最相近的點(diǎn)對(duì)，不僅容易出現(xiàn)錯(cuò)誤匹配的情況，而且計(jì)算量很大。為了減少計(jì)算冗余和消除誤配情況，提高配準(zhǔn)的準(zhǔn)確度，提出了一種利用梯度方向的H
電視技術(shù) 2015年3期2015-10-15
- 基于數(shù)字圖像分析的鐵路貨車閘瓦插銷竄出故障自動(dòng)識(shí)別方法
個(gè)方面特征的梯度方向直方圖來(lái)描述閘瓦插銷的特征向量；提取特征向量輸入到已經(jīng)訓(xùn)練好的線性可分支持向量機(jī)分類器模型中進(jìn)行故障判斷和自動(dòng)識(shí)別。實(shí)驗(yàn)數(shù)據(jù)證明了該識(shí)別算法的穩(wěn)定性、可靠性和實(shí)用性。TFDS；閘瓦插銷；圖像分析；梯度向量直方圖鐵路貨車運(yùn)行故障動(dòng)態(tài)圖像檢測(cè)系統(tǒng)（TFDS）作為車輛運(yùn)行安全監(jiān)控系統(tǒng)（5T系統(tǒng)）的重要組成部分，通過(guò)布置于軌側(cè)、軌下的高速工業(yè)相機(jī)陣列對(duì)運(yùn)行中的貨車車體進(jìn)行圖像采集，再由列檢人員根據(jù)傳輸?shù)搅袡z中心的貨車圖像進(jìn)行故障識(shí)別和判斷，充分
鐵路計(jì)算機(jī)應(yīng)用 2015年12期2015-07-05
- 基于GPU的目標(biāo)識(shí)別算法的并行化研究
中得到應(yīng)用。梯度方向直方圖;可變形部件模型;圖形處理器;協(xié)同計(jì)算;統(tǒng)一計(jì)算設(shè)備架構(gòu);開(kāi)放運(yùn)算語(yǔ)言目前,在汽車自動(dòng)駕駛、智能交通、智能監(jiān)控安防等領(lǐng)域中,人工智能正在發(fā)揮越來(lái)越重要的作用,人工智能的應(yīng)用也使得人們從機(jī)械的簡(jiǎn)單而重復(fù)的工作中解放出來(lái),但是這也就要求這類人工智能算法有更加精確的效果和實(shí)時(shí)的監(jiān)測(cè),對(duì)算法提出了更高的要求。傳統(tǒng)的算法都是基于CPU串行實(shí)現(xiàn)的,由于算法的計(jì)算量大,因此CPU無(wú)法完成對(duì)算法的實(shí)時(shí)計(jì)算。在這些領(lǐng)域中,對(duì)算法的并行化就是一個(gè)非常
太原理工大學(xué)學(xué)報(bào) 2015年6期2015-06-23
- 基于圖像邊緣特征的領(lǐng)帶花型檢索方法
每個(gè)像素點(diǎn)的梯度方向 θ(i，j)，如式(2)所示:式中，Y(i，j)為坐標(biāo)為(i，j)的像素點(diǎn)亮度值。對(duì)于每個(gè)邊緣像素點(diǎn)，它的梯度方向體現(xiàn)了該像素點(diǎn)組成的圖案的形狀信息，因此，可以通過(guò)計(jì)算邊緣像素點(diǎn)的梯度方向θ(i，j)以量化它的邊緣特征，如式(3)所示。在得到花型邊緣像素點(diǎn)的梯度方向后，如圖1所示，將［0，360°)劃分為4種不同的方向，如不同的顏色所示，據(jù)此將梯度方向θ(i，j)分為4類，如式(4)所示。圖1 梯度方向分類Fig.1 Classifi
紡織學(xué)報(bào) 2015年5期2015-03-10
- 基于加權(quán)局部梯度直方圖的頭部三維姿態(tài)估計(jì)
時(shí),基于局部梯度方向直方圖的面部特征表示方法容易受到背景和環(huán)境的影響,其檢測(cè)精度無(wú)法滿足實(shí)際需求。為了減少圖像或視頻序列中背景和環(huán)境的影響,提出了一種新的對(duì)面部特征進(jìn)行描述的方法,即基于膚色權(quán)值和高斯權(quán)值加權(quán)的局部梯度方向直方圖特征表示方法。在具體計(jì)算時(shí),首先進(jìn)行人臉檢測(cè)并將人臉區(qū)域縮放到統(tǒng)一大小,然后計(jì)算人臉區(qū)域每個(gè)像素點(diǎn)對(duì)應(yīng)的梯度方向,接著計(jì)算膚色權(quán)值并利用膚色權(quán)值和高斯權(quán)值對(duì)梯度方向進(jìn)行加權(quán)得到加權(quán)局部梯度方向直方圖,從而強(qiáng)化面部特征在直方圖中的比重
西安交通大學(xué)學(xué)報(bào) 2015年11期2015-03-07
- 車輛行車實(shí)時(shí)目標(biāo)區(qū)域特征提取及分類訓(xùn)練＊
特征［5］，梯度方向直方圖（Histogram of Oriented Gradient，HOG）特征［6］，尺度不變特征轉(zhuǎn)換 （Scale-invariant Feature Transform，SIFT）特征［7］，邊緣方向直方圖［8］等．分類器的學(xué)習(xí)方法主要有：支持向量機(jī)（Support Vector Machine，SVM）［9］、人工神經(jīng)網(wǎng)絡(luò)［10］、Adaboost加強(qiáng)學(xué)習(xí)算法［11］、決策樹(shù)分類匹配［12］等．文獻(xiàn)［13-14］提出利用Haa
西安工業(yè)大學(xué)學(xué)報(bào) 2015年11期2015-01-01
- 詞袋模型中梯度方向離散精度閾值經(jīng)驗(yàn)分析
提取過(guò)程中，梯度方向直方圖的維數(shù)即梯度方向離散精度的選取非常重要，常規(guī)詞袋模型中梯度方向離散精度一般選取為8［8－10］，但是此精度構(gòu)造的詞袋模型分類效果并非最佳，若能確定一個(gè)最合適的精度不僅可以避免選擇時(shí)的盲目性，而且還可以構(gòu)造出最佳的詞袋模型，提高應(yīng)用詞袋模型分類的效果。本文通過(guò)大量基于不同分塊下選取不同離散精度進(jìn)行實(shí)驗(yàn)分析研究，找到了在構(gòu)造詞袋模型過(guò)程中梯度方向離散精度閾值，利用該閾值構(gòu)造的詞袋模型在進(jìn)行分類時(shí)能得到最佳的分類效果，同時(shí)還能避免選擇時(shí)
計(jì)算機(jī)工程與設(shè)計(jì) 2014年9期2014-12-23
- 基于空間多尺度HOG 特征的人臉表情識(shí)別方法
基礎(chǔ)上提出了梯度方向直方圖 （histograms of oriented gradients，HOG）算法，它是一種邊緣形狀描述子，近幾年被廣泛應(yīng)用研究。O.Dénizd等［6］采用規(guī)則網(wǎng)格和不同尺度的HOG 特征進(jìn)行人臉識(shí)別，在4個(gè)數(shù)據(jù)庫(kù)上均取得理想實(shí)驗(yàn)效果；Rodrigo Minetto等［7］采用THOG 算子進(jìn)行文本特征提取，采用SVM 分類器進(jìn)行字符識(shí)別，在2種公共數(shù)據(jù)上的仿真結(jié)果表明，THOG 算子是一種有效的文本描述子。可以看出，HOG 算
計(jì)算機(jī)工程與設(shè)計(jì) 2014年11期2014-12-20
- 刀具切削刃鈍圓半徑的圖像測(cè)量法*
)，沿近似的梯度方向提取像素，擬合灰度曲線，在灰度函數(shù)一階導(dǎo)數(shù)曲線上準(zhǔn)確定位邊緣點(diǎn)的方法，有效提高了切削刃鈍圓半徑測(cè)量精度。但該方法沒(méi)有充分利用邊緣附近灰度等值線分布規(guī)律，對(duì)梯度方向的近似計(jì)算還不夠準(zhǔn)確。對(duì)于刃口曲線計(jì)算，如今多數(shù)方法都是直接采用檢測(cè)到的圓弧部分邊緣點(diǎn)擬合刃口曲線。這些方法沒(méi)有考慮到刀具直線段和圓弧段刃口曲線相切的幾何關(guān)系［8-9］，圓弧段刃口曲線擬合精度不高，切削刃鈍圓半徑測(cè)量誤差較大。文中將給出改進(jìn)的邊緣檢測(cè)和含約束條件的刃口曲線計(jì)算方
組合機(jī)床與自動(dòng)化加工技術(shù) 2014年9期2014-06-29
- Improved histograms of oriented gradientsfor Chinese RMB currency recognition
1.基于改進(jìn)梯度方向直方圖的人民幣識(shí)別胡學(xué)娟，阮雙琛，郭春雨，劉承香深圳市激光工程重點(diǎn)實(shí)驗(yàn)室，深圳大學(xué)電子科學(xué)與技術(shù)學(xué)院，廣東省高校先進(jìn)光學(xué)精密制造技術(shù)重點(diǎn)實(shí)驗(yàn)室，深圳518060提出一種基于改進(jìn)梯度方向直方圖和支持向量機(jī)分類器的人民幣識(shí)別方法.利用人民幣紅外圖像中斑馬線特征進(jìn)行真?zhèn)巫R(shí)別，通過(guò)Fisher準(zhǔn)則進(jìn)行特征塊選擇實(shí)現(xiàn)梯度方向直方圖特征的降維.針對(duì)斑馬線防偽圖案進(jìn)行實(shí)驗(yàn).結(jié)果表明，該方法能克服紅外圖像中的背景干擾和噪聲，得到較好鑒偽結(jié)果.紅外圖像;
深圳大學(xué)學(xué)報(bào)（理工版） 2014年5期2014-05-12
- 基于梯度方向直方圖特征和支持向量機(jī)的醫(yī)學(xué)影像分類方法
0021基于梯度方向直方圖特征和支持向量機(jī)的醫(yī)學(xué)影像分類方法周顯國(guó)吉林省人民醫(yī)院信息中心，吉林長(zhǎng)春130021隨著計(jì)算機(jī)技術(shù)和數(shù)據(jù)庫(kù)技術(shù)的發(fā)展，圖片存檔及通信系統(tǒng)（Picture Archiving and Communication Systems，PACS）在醫(yī)院得到了普遍的應(yīng)用，醫(yī)院每天會(huì)產(chǎn)生大量的醫(yī)學(xué)影像數(shù)據(jù)[1]。如何檢索醫(yī)學(xué)影像，使海量的醫(yī)學(xué)影像為科研和臨床診斷服務(wù)，成為當(dāng)前醫(yī)學(xué)影像領(lǐng)域研究的熱點(diǎn)?，F(xiàn)有PACS只能提供基于文本的、按照病人名字和
中國(guó)醫(yī)療設(shè)備 2014年2期2014-05-03
- 基于形狀特征的視覺(jué)導(dǎo)航AGV路徑標(biāo)識(shí)符識(shí)別技術(shù)研究
nny算子;梯度方向直方圖作為自動(dòng)化物流運(yùn)輸系統(tǒng)、柔性制造系統(tǒng)的關(guān)鍵設(shè)備，自動(dòng)導(dǎo)航小車(Automated Guided Vehicle，AGV)有多種引導(dǎo)方式，其中基于路徑識(shí)別跟蹤的視覺(jué)導(dǎo)航AGV因其具有路徑設(shè)置靈活、導(dǎo)航原理簡(jiǎn)單、環(huán)境適應(yīng)性強(qiáng)等優(yōu)點(diǎn)，得到飛速發(fā)展和廣泛應(yīng)用。視覺(jué)導(dǎo)航AGV在實(shí)際應(yīng)用中存在多種工況，如加速、減速、停車及不同工位判斷等，各種路徑標(biāo)識(shí)符設(shè)置的靈活性，識(shí)別的準(zhǔn)確性、實(shí)時(shí)性，也成為視覺(jué)導(dǎo)航AGV優(yōu)越于其他導(dǎo)航方式的標(biāo)志之一。傳統(tǒng)的
機(jī)械設(shè)計(jì)與制造工程 2013年11期2013-09-12
- 綜合顏色特征與形狀特征的圖像檢索算法
檢測(cè)，用邊緣梯度方向直方圖表示圖像形狀特征，用顏色直方圖表示圖像顏色特征，提出了綜合顏色特征和形狀特征的圖像檢索算法。實(shí)驗(yàn)結(jié)果表明，該算法不僅具有較好的檢索性能，而且對(duì)圖像中存在的光照變化和幾何變化（尺度、平移、旋轉(zhuǎn)等）具有較強(qiáng)的魯棒性。圖像檢索；二進(jìn)小波變換；邊緣檢測(cè)；顏色特征；形狀特征1 引言隨著數(shù)據(jù)庫(kù)技術(shù)、多媒體技術(shù)、網(wǎng)絡(luò)技術(shù)的迅速發(fā)展，人們?cè)絹?lái)越多地接觸到大量的數(shù)字圖像數(shù)據(jù)庫(kù)，為了對(duì)圖像庫(kù)進(jìn)行有效管理，高效的圖像檢索系統(tǒng)為人們所需要[1]。傳統(tǒng)的基
計(jì)算機(jī)工程與應(yīng)用 2013年7期2013-08-07
- 結(jié)合列邊緣提取的PDF417 條碼檢測(cè)方法
取出邊緣像素梯度方向信息來(lái)標(biāo)注強(qiáng)邊緣，就能夠定位條碼在圖像中的準(zhǔn)確位置。圖1 PDF417 條碼3 子區(qū)域特征對(duì)于條碼圖像背景往往十分復(fù)雜的情況，將采集到的圖像按網(wǎng)格狀分隔成大小相等的若干個(gè)子區(qū)域，有利于分析起始模塊、終止模塊區(qū)別于其他背景紋理的區(qū)域特征，并利用區(qū)域特征對(duì)候選子區(qū)域進(jìn)行篩選合并，達(dá)到定位目標(biāo)區(qū)域的目的。3.1 梯度方向特征由于條碼起始符與終止符由一組排列整齊的條空組成，該區(qū)域梯度方向直方圖上會(huì)有高能單峰值出現(xiàn)[8]，因此可用這個(gè)特性來(lái)區(qū)分背
計(jì)算機(jī)工程與應(yīng)用 2013年7期2013-02-22
- 融合顏色和梯度方向直方圖的粒子濾波跟蹤算法
、紋理特征、梯度方向特征等.筆者將顏色特征和梯度方向特征進(jìn)行融合生成綜合直方圖特征.2.1 顏色直方圖特征顏色直方圖特征在平面旋轉(zhuǎn)和部分遮擋的情況下變化不大，很適合描述目標(biāo)，是一個(gè)被廣泛采用的特征.為了減少跟蹤過(guò)程中光照變化的影響，筆者采用HSV顏色模型.HSV顏色模型的3個(gè)分量相互獨(dú)立：H和S分量分別表示色調(diào)和飽和度，對(duì)光照不敏感;而V分量表示亮度分量，對(duì)光照非常敏感，所以只對(duì)H和S分量根據(jù)量化級(jí)數(shù)加以量化建立直方圖.為了增加顏色直方圖描述的魯棒性，加入
鄭州大學(xué)學(xué)報(bào)（工學(xué)版） 2012年4期2012-09-07
- 基于邊緣梯度方向直方圖的圖像檢索
于圖像邊緣的梯度方向直方圖進(jìn)行圖像檢索。 實(shí)驗(yàn)結(jié)果表時(shí)，本文算法具有很好的檢索性能。1 檢索算法描述1.1 圖像預(yù)處理邊緣是指圖像周圍像素灰度值有階躍變化或屋頂變化的像素的集合，是一個(gè)有幅值和方向的矢量。 當(dāng)前傳統(tǒng)的邊緣檢測(cè)方法有一階微分算子、 二階微分算子和Canny 算子。本文選擇一階微分算子中的Prewitt 算子實(shí)現(xiàn)圖像的邊緣檢測(cè)。1.2 梯度方向直方圖對(duì)邊緣圖像中的每一個(gè)邊緣點(diǎn)構(gòu)造邊緣梯度方向直方圖h（n），該直方圖表示邊緣點(diǎn)方向角落在第n 級(jí)點(diǎn)
科技視界 2012年20期2012-08-29
- 基于向量場(chǎng)模型的多光譜遙感圖像多尺度邊緣檢測(cè)
法中引入兩種梯度方向量化鄰域模型。首先，對(duì)多光譜圖像進(jìn)行二進(jìn)小波變換，得到每個(gè)波段圖像在不同尺度上的細(xì)節(jié)系數(shù)，然后根據(jù)向量場(chǎng)模型計(jì)算多光譜圖像的梯度幅值和梯度方向，選擇適宜的鄰域模型對(duì)梯度方向進(jìn)行量化，最后沿量化后的方向獲取由細(xì)到粗的多層次邊緣信息。對(duì)QuickBird多光譜圖像上農(nóng)田、廠房等地物進(jìn)行多尺度邊緣提取，定性分析圖像分辨率大小與地物尺寸關(guān)系在不同尺度邊緣信息的表征；利用F測(cè)度，定量評(píng)價(jià)檢測(cè)結(jié)果的邊緣準(zhǔn)確度。與傳統(tǒng)算子檢測(cè)結(jié)果對(duì)比表明，利用向量場(chǎng)
測(cè)繪學(xué)報(bào) 2012年1期2012-01-04
- 基于改進(jìn)梯度算子的快速視頻編碼算法
算子得出塊的梯度方向，以此來(lái)指導(dǎo)幀內(nèi)模式的選擇和幀間模式的劃分。這種算法使得模式選擇跳出了全遍歷，只鎖定在部分模式中，從而大大減少了時(shí)間復(fù)雜度，而且碼流不會(huì)明顯增加，視頻質(zhì)量也較佳。視頻編碼；幀間預(yù)測(cè)；幀內(nèi)預(yù)測(cè)；模式選擇；基于紋理隨著H.264/MPEG-4 part 10被聯(lián)合視頻組（Joint Video Team(JVT)，formed by ITU-T VCEG and ISO/IEC MPEG）作為新一代編解碼標(biāo)準(zhǔn)發(fā)布，視頻編解碼效率得到了很大的
長(zhǎng)沙民政職業(yè)技術(shù)學(xué)院學(xué)報(bào) 2011年1期2011-11-02
- 基于距離比閾值參數(shù)自適應(yīng)的SIFT算法研究
鄰域窗口內(nèi)用梯度方向直方圖來(lái)統(tǒng)計(jì)鄰域像素的梯度方向.梯度方向在0°～360°，其中每10°在直方圖中表示一個(gè)柱，共36柱.梯度方向直方圖的峰值代表了該特征點(diǎn)處鄰域梯度的主方向，即作為該特征點(diǎn)的主方向.1.4 生成特征描述符以特征點(diǎn)為中心取16×16的窗口(特征點(diǎn)所在的行和列不取)，每個(gè)小格代表特征點(diǎn)鄰域所在尺度空間的一個(gè)像素，采用高斯加權(quán)(越靠近特征點(diǎn)的像素，梯度方向信息貢獻(xiàn)越大).在4×4的圖像小塊上計(jì)算8個(gè)方向的梯度方向直方圖，繪制每個(gè)梯度方向的累加值
陜西科技大學(xué)學(xué)報(bào) 2011年5期2011-02-20
- 基于Canny邊緣檢測(cè)算子的圖像檢索算法
的梯度幅值和梯度方向，從而獲得相應(yīng)的梯度幅值圖像G和梯度方向圖像θ。其中，點(diǎn)（i，j）處2個(gè)方向的偏導(dǎo)數(shù)Gx（i，j）和 Gy（i，j）分別為：則點(diǎn)（i，j）處的梯度幅值和梯度方向分別為：1.3 非極大值抑制為了精確定位邊緣，必須細(xì)化梯度幅值圖像G中的屋脊帶，而只保留幅值的局部極大值，即非極大值抑制（NMS）。Canny算子在梯度幅值圖像G中以點(diǎn)（i，j）為中心 3×3的鄰域內(nèi)沿梯度方向 θ（i，j）進(jìn)行插值，如果點(diǎn)（i，j）處的梯度幅值G（i，j）大于
電子設(shè)計(jì)工程 2010年2期2010-07-13