Harris角点检测算法

不适用opencv的代码（转）

////////////////////////////////////////////////////////////////////// // Construction/Destruction

////////////////////////////////////////////////////////////////////// #define B(image,x,y) ((uchar *)(image->imageData+image->widthStep*(y)))[(x)*3] #define G(image,x,y) ((uchar *)(image->imageData+image->widthStep*(y)))[(x)*3+1] #define R(image,x,y) ((uchar *)(image->imageData+image->widthStep*(y)))[(x)*3+2] #define S(image,x,y) ((uchar *)(image->imageData+image->widthStep*(y)))[(x)]

//卷积计算求Ix,Iy,以及滤波

//a指向的

不适用opencv的代码（转）

////////////////////////////////////////////////////////////////////// // Construction/Destruction

////////////////////////////////////////////////////////////////////// #define B(image,x,y) ((uchar *)(image->imageData+image->widthStep*(y)))[(x)*3] #define G(image,x,y) ((uchar *)(image->imageData+image->widthStep*(y)))[(x)*3+1] #define R(image,x,y) ((uchar *)(image->imageData+image->widthStep*(y)))[(x)*3+2] #define S(image,x,y) ((uchar *)(image->imageData+image->widthStep*(y)))[(x)]

//卷积计算求Ix,Iy,以及滤波

//a指向的

SUSAN角点检测算子的MATLAB实现

[filename,pathname,~]=uigetfile('*.jpg','选择JPG格式图片');

if ~ischar(filename) return end

str=[pathname filename]; pic=imread(str);

if length(size(pic))==3 img=rgb2gray(pic); end

[M,N]=size(img);

timg=zeros(M+6,N+6);

timg(4:end-3,4:end-3)=img; %扩展图像边缘3个像素 img=timg; t=45; %阈值

USAN=[]; %用于存放USAN for i= 4:M+3 for j=4:N+3

tmp=img(i-3:i+3,j-3:j+3); cnt=0; %计数专用，统计圆形邻域内满足条件的像素点个数 for p=1:7 for q=1:7 if

(p-4)^2+(q-4)^2<=12 %半径一般在3~4之间

不同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。需要说明的是：边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外，成像过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者正在试图在边缘提取中加入高层的语义信息。

在实际的图像分割中，往往只用到一阶和二阶导数，虽然，原理上，可以用更高阶的导数，但是，因为噪声的影响，在纯粹二阶的导数操作中就会出现对噪声的敏感现象，三阶以上的导数信息往往失去了应用价值。二阶导数还可以说明灰度突变的类型。在有些情况下，如灰度变化均匀的图像，只利用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息。二阶导数对噪声也比较敏感，解决的方法是先对图像进行平滑滤波，消除部分噪声，再进行边缘检测。不过，利用二阶导数信息的算法是基于过零检测的，因此得到的边缘点数比较少，有利于后继的处理和识别工

本科毕业论文

题 目 语音基音周期检测算法比较 学 院 管理科学与工程学院 专 业 电子信息工程 班 级 081信工(1)班 学 号 200883082 姓 名 周刚 指导老师 段凯宇 讲师

二〇一二 年 六 月

语音基音周期检测算法比较

摘要

基音周期作为语音信号处理中描述激励源的重要参数之一，广泛的应用于语音合成、语音编码和语音识别等语音信号处理等技术领域。准确可靠的对基音周期进行检测将直接影响整个语音处理系统的性能。 常用的基音检测算法对于纯净语音信号都能达到较好的检测效果。然而，实际当中的语音信号不可避免的会受到外界背景噪音的影响，使得这些检测算法的检测效果都不是很理想，为此本文用两种基本算法对语音信号滤波前后进行基音周期检测，在进行比较。

论文首先

SUSAN边缘检测算法性能分析与比较

类别：电子综合 阅读：1579

1 引 言

边缘是图像最基本的特征，是图像分割的第一步。经典的边缘检测方法如：Roberts，Sobel，Prewitt，Kirsch，Laplace等方法，基本都是对原始图像中象素的小邻域构造边缘检测算子，进行一阶微分或二阶微分运算，求得梯度最大值或二阶导数的过零点，最后选取适当的阀值提取边界。由于这些算法涉及梯度的运算，因此均存在对噪声敏感、计算量大等缺点。在实践中，发现SUSAN算法只基于对周边象素的灰度比较，完全不涉及梯度的运算，因此其抗噪声能力很强，运算量也比较小。并将SUSAN算法用于多类图像的边缘检测中，实验证明该算法非常适合含噪图像的边缘检测。

2 SUSAN边缘检测简介 2．1 SUSAN特征检测原理

如图1所示，用一个圆形模板在图像上移动，若模板内象素的灰度与模板中心象素(称为：核Nucleus)灰度的差值小于一定阀值，则认为该点与核具有相同(或相近)的灰度，由满足这样条件的象素组成的区域称为USAN(Univalue Segment Assimilating Nucleus)。

当圆形模板完全处在图像或背景中时，USA

数字图像处理技术课程设计

图像边缘检测

编程实现灰度图像的几种常用的边缘检测算法，包括：梯度边缘检测算法、Roberts边缘检测算法、Sobel边缘检测算法、拉普拉斯边缘检测算法、canny边缘检测算法、Prewitt边缘检测算法和Krisch边缘检测算法。

代码：

头文件：

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ bmpFile.h

#ifndef BMP_FILE_H #define BMP_FILE_H

BYTE *Read8BitBmpFile2Img(const char *filename,int *width,int *height); bool Write8BitImg2BmpFile(BYTE *pImg,int width,int height,const char *filename); BYTE *Read24BitBmpFile2Img(const char *filename,int *width,int *height);

bool Write24BitImg2BmpFile(BYTE *pImg,int

1.3国内外研究现状

1.3.1碰撞检测算法的国外研究现状【王海玲. 三维游戏技术的研究与实现[D]. 哈尔滨工程大学, 2009】【范昭炜.实时碰撞检测技术研究[D] .浙江大学, 2003】

起源于20世纪70年代的碰撞检测问题，研究至今已有40年的历史，现如今有一些比较成熟的碰撞检测技术。

Dobkin（1985）、Agarwal（1991）、Chaxelle（1989）等在静态碰撞检测技术上做了早期研究。静态碰撞检测算法是指当场景中物体在整个时间轴t上都不发生变化时，用来检测在这个静止状态中各物体之间是否发生碰撞的算法。这类算法要求较高的精度，由于是静止状态，因此没有实时性的要求，它广泛应用于计算几何中。

Lin（1998）、Jimenez（2001）对离散碰撞检测算法进行了研究，离散碰撞检测算法在每一时间离散点上通过类似于静态碰撞检测算法的方法来实现，可以迎合多数应用对实时性的需求。

Hubbard（1995）、Dingliana（2000，2001）、O’Sullivan（1999）为了改善离散碰撞检测算法中存在的刺穿现象和遗漏碰撞的现象，提出了自适应步长和可中断的碰撞检测技术。

Cameron（1990）、 Canny（1986

基于MB-LBP人脸检测算法

张伦，楚如峰，向世明，廖胜才，斯坦·李

生物识别与安全技术研究中心，中国科学院自动化模式识别研究所，国家重点实验室

摘要

通过使用基于AdaBoost学习算法的矩阵Haar-like特征方法，有效和实时脸部检测已经成为可能。在本文中，我们介绍了一组新的独特的人脸检测矩阵特征方法，称为多块局部二值模式（MB-LBP）。通过局部二进制模式操作，MB-LBP将矩阵区域编码成强度，得到的二值模式可以描述图像的多种局部结构。基于MB-LBP特征，研究出了一种基于AdaBoost学习算法的人脸检测方法。为了处理MB-LBP特征的非度量特征值，算法采用多分支回归树作为弱分类。实验表明，基于MB-LBP弱分类比Haar特征和原始LBP特征更加有区别度。鉴于相同的许多特征，在一个给定的0.001误报率下，所提出的人脸检测比haar-like特征高15％的正确率，比原始LBP特征高8％的正确率。这表明，MB-LBP特征可以捕获更多的图像结构信息，同时在简单地测量矩阵之间的差异下，比传统haar-like特征有更突出的性能。MB-LBP特征的另一优点是其较小的特征集，这使得训练时间要少得多。

1引言

人脸检测具有广泛的应用，例如自动

本科毕业设计(论文)

检测算法研究

学 院：信息工程学院 专 业：自动化 学 号： 学生姓名： 指导教师：

二○一 年 五月 二十三日

题 目：基于matlab的图像边缘

2013届毕业设计（论文）

基于matlab的图像边缘检测算法研究

摘要

图像的边缘检测技术是数字图像处理技术的基础研究内容，是物体识别的重要基础。现有边缘检测技术在抑制噪声方面有一定的局限性，在阈值参数选取方面自适应能力很差，有待进一步改进和提高。

本论文首先介绍了图像边缘检测这个课题的意义和背景；作为理论基础，在第二章简单的介绍了传统的图像边缘检测算法，如Roberts算子、Sobel算子、Prewitt算子、Laplacian算子、LOG算子，回顾了经典的边缘检测算法，为后面介绍Canny算法作为铺垫。在第三章，结合Canny算法的基本原理、算法的三个标准、算法的思路及检测步骤提出了对Canny算子中的图像滤波平滑处理及取阈值的算法进行改进的方法，并进行了实验检验。

基于传统Canny算法中采用高斯滤波器对图像滤波平滑处理的效果有待改进，本论文引用了自适应中值滤波器，在使用Canny算法之前，对图像进行滤波，通过图3.4的结果显示，检测效果明显改善；