期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于概率密度梯度的边缘检测 被引量:19
1
作者 孙达 刘家锋 唐降龙 《计算机学报》 EI CSCD 北大核心 2009年第2期299-307,共9页
提出了一种新颖的基于概率密度梯度的边缘检测算法.新算法通过估计图像中各像素点的概率密度梯度得到图像的概率密度梯度场,然后根据图像的边缘点在概率密度梯度场中具有两侧梯度方向相反的特性实现边缘检测.与现有的算法相比,新算法检... 提出了一种新颖的基于概率密度梯度的边缘检测算法.新算法通过估计图像中各像素点的概率密度梯度得到图像的概率密度梯度场,然后根据图像的边缘点在概率密度梯度场中具有两侧梯度方向相反的特性实现边缘检测.与现有的算法相比,新算法检测得到的边缘点具有尺度不变性,并可以直接从图像中检测出具特定尺寸区域的轮廓,完好地保持物体的形状. 展开更多
关键词 边缘检测 概率密度梯度 图像处理
下载PDF
基于椭圆特征区域与重要位平面分解的鲁棒图像水印算法 被引量:2
2
作者 杨金劳 付利军 张福泉 《包装工程》 CAS 北大核心 2018年第21期206-215,共10页
目的为了解决当前基于特征点的水印方案难以描述图像的非纹理区域(像素强度变化较大的边缘、像素强度值较小或趋于0的均匀区域),降低了局部特征区域的鲁棒性,使其抗几何失真能力不佳的问题,提出基于椭圆特征区域与重要位平面分解的鲁棒... 目的为了解决当前基于特征点的水印方案难以描述图像的非纹理区域(像素强度变化较大的边缘、像素强度值较小或趋于0的均匀区域),降低了局部特征区域的鲁棒性,使其抗几何失真能力不佳的问题,提出基于椭圆特征区域与重要位平面分解的鲁棒图像水印算法。方法根据彩色载体的RGB分量,计算颜色不变性;基于颜色不变性的强度概率密度,推导概率密度梯度估计函数;利用概率密度梯度值,计算二阶Hessian矩阵,改进SURF方法,充分提取彩色载体中纹理与非纹理区域的鲁棒特征点;再求取Hessian矩阵的特征值与特征向量,以计算椭圆的长轴、短轴半径与方向角度,并以特征点为中心,建立局部椭圆特征区域;定义鲁棒特征区域选择规则,确定合适的水印嵌入位置;引入位平面分解技术,获取鲁棒椭圆特征区域的重要位平面图像,并提取其直方图,以此设计水印嵌入方法,将二值水印隐藏到这些直方图中,形成水印图像;根据水印检测机制,复原二值水印。结果实验结果显示,与基于特征点的水印方案相比,所提算法具有更高的不可感知性与鲁棒性,复原水印失真度最小。结论所提算法具有较高的视觉隐秘性和抗几何失真能力,在版权保护、信息防伪等领域具有较好的参考价值。 展开更多
关键词 图像水印 颜色不变性 局部椭圆特征区域 位平面分解 概率密度梯度 HESSIAN矩阵 直方图
下载PDF
基于概率密度梯度值估计与圆谐傅里叶变换的鲁棒图像水印算法 被引量:4
3
作者 张森 曹再辉 施进发 《电子测量与仪器学报》 CSCD 北大核心 2018年第10期126-137,共12页
为了解决当前基于图像特征点的水印技术存在的问题,设计了基于概率密度梯度值估计与圆谐傅里叶变换的鲁棒图像水印算法。首先,基于载体图像的强度概率密度,构建概率密度梯度估计函数;利用概率密度梯度值替代强度梯度,计算载体图像的二... 为了解决当前基于图像特征点的水印技术存在的问题,设计了基于概率密度梯度值估计与圆谐傅里叶变换的鲁棒图像水印算法。首先,基于载体图像的强度概率密度,构建概率密度梯度估计函数;利用概率密度梯度值替代强度梯度,计算载体图像的二阶自相关矩阵,以改进Harris-Laplace检测算子,充分提取载体的鲁棒特征点;然后,基于LOG(Laplacian-of-Gaussians)算子,计算每个点的特征尺度,构建了圆形局部特征区域;引入圆谐傅里叶变换,对所有局部特征区域进行处理,输出相应的傅里叶系数;定义鲁棒系数选择规则,从所有的傅里叶系数中确定合适的系数作为水印隐藏位置;根据选择的鲁棒系数,设计水印嵌入方法,将加密后的二值水印隐藏到这些系数中,形成水印图像;最后,建立水印检测机制,从水印图像中复原二值水印。测试结果显示,与当前图像水印方案相比,面对几何变换攻击,所提算法具有更高的不可感知性,所输出的水印图像与载体的相似度为0.994;另外,所提技术也具备更强的鲁棒性,复原水印失真度最小,在中心裁剪攻击下,所提算法的复原水印对应的峰值信噪比(PSNR)、归一化系数(NC)值最大,分别达到了41.91dB、0.901。 展开更多
关键词 图像水印 概率密度梯度估计 二阶自相关矩阵 Harris-Laplace检测算子 特征尺度 圆谐傅里叶变换 特征点
下载PDF
基于概率密度梯度方向的角点重定位技术 被引量:1
4
作者 汪旭东 贾渊 《计算机应用》 CSCD 北大核心 2010年第2期359-361,366,共4页
由于各种外界因素的影响,角点检测算法检测的角点可能出现位置偏移。在分析该现象的基础上,提出对角点进行重新的定位。首先,通过计算角点的二阶模板值来进行角点模糊定位;其次,引入像素点的概率密度梯度方向,通过比较角点和角点邻域内... 由于各种外界因素的影响,角点检测算法检测的角点可能出现位置偏移。在分析该现象的基础上,提出对角点进行重新的定位。首先,通过计算角点的二阶模板值来进行角点模糊定位;其次,引入像素点的概率密度梯度方向,通过比较角点和角点邻域内的像素点的概率密度梯度方向的关系来判断错误角点,并找出所有的候选替代点;最后,根据角点和候选像素点之间的关系,寻找出新的角点。通过实验对比发现该算法能正确地对发生位置偏移的角点进行重新定位。 展开更多
关键词 概率密度梯度方向 模糊定位 角点重定位
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部