为了实现准确、快速的图像匹配, 从角点检测与描述子两方面入手, 提出了一种基于CSS角点检测的匹配算法。首先, 在曲率尺度空间下, 检测图像在不同尺度下的角点并剔除不稳定角点; 其次, 基于曲率对图像轮廓描述的精确性, 以特征点为中心划分3×4的子邻域, 计算子邻域内轮廓曲线点的高斯加权曲率等4维向量特征, 建立48维描述子, 由于CSS角点检测包含曲率计算, 因此生成描述子时避免了曲率的二次计算, 提高了匹配速度; 最后,提出一种“二进制距离”方法对描述子进行匹配, 进一步优化匹配速度。通过实验证明, 在保证精度的情况下, CSS快速匹配算法大幅度缩短了匹配时间, 对旋转、亮度变化具有较好的匹配效果。

点云特征线提取是点云模型重构的基础, 国内外对此从边缘检测、特征线跟踪和面域分析等方面展开了研究, 但由于存在模型多样性、点云数据噪声和不完整性、特征复杂性等问题, 看似简单的特征线自动化提取很难实现。从曲率突变点隐含了点云特征线这一论断出发, 借鉴图像处理中的区域分割和边缘检测思想, 提出了特征线提取中的聚类、细化、分段和排序方案。在具体实现中分别提出了基于连通区域聚类的备选点集分离算法, 基于局部影响区域腐蚀的点集细化算法, 以及基于组合搜索准则和主成分分析(PCA)双向搜索的特征线分支截断和排序算法。在对比实验中, 确定了算法关键参数曲率突变点比例w和方向夹角阈值θT的推荐值, 并与类似算法对比能提取更多的特征点; 在模型实验中, 简单几何模型的特征线提取正确率达到了100%, 复杂机械零件模型和艺术品模型的特征线提取正确率均达到了85%以上, 取得了预想的棱线和特征轮廓线提取效果。算法具有通用性和可扩展性, 通过程序优化可获得更好的特征提取效果。

提出一种新的点云特征检测算子——直线截距比特征检测算子。根据相邻点之间的几何关系提出直线截距比,构建了特征筛选条件函数,利用关于点距的高斯函数对特征筛选条件函数进行修正。实验结果表明,随着模型中噪声强度的增加,所提算法的特征误识别率更低。所提算法能快速、准确地筛选出特征点,且具有良好的抗噪能力和更强的特征识别能力。

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。

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35 dB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%。

为实现点云数据的区域划分, 提出一种基于改进的粒子群优化与模糊C-均值聚类的混合算法(SPSO-FCM算法)。针对在点云聚类过程中易过早捕获局部极小值的问题, 算法首先用改进的粒子群算法——社会粒子群优化算法, 对种群进行初始化, 通过为每一个粒子设置不同的跟随阈值, 来维护种群中个体多样性, 加深对种群全局搜索的程度, 避免陷入局部极小值; 随后, 设置种群中每个粒子当前最优位置和初始种群的最优位置, 更新自由粒子的位置和跟随粒子的速度和位置; 最后, 采用模糊C-均值聚类算法求解隶属度矩阵, 确定适应值函数, 更新所有粒子的最优位置, 并判断粒子和种群的位置优越性, 得到准确的聚类中心, 实现对点云数据的区域划分。以曲面复杂度不一致的点云模型为例对算法进行验证, 探讨SPSO-FCM聚类算法的可行性, 并与FCM聚类算法、遗传FCM聚类算法进行比对。实验结果显示, SPSO-FCM聚类算法较其它两种算法, 收敛速度快, 迭代次数少, 聚类准确, 边界区域分割清晰, 特别是对型面复杂、点云数据较多的机械零部件点云数据进行分割时, 能得到更好的分割结果。

针对现有算法对尖锐特征曲面点云法矢估计不准确，点云处理时容易丢失曲面细节特征等问题，提出一 种尖锐特征曲面散乱点云法向估计法。该方法用主成分分析法粗估计点云法向; 然后，根据各邻域点的空间欧氏距离和法向距离对各邻域法向加权，用加权邻域法向之和来更新当前点的法向; 最后，测试估计法向与标准法向的误差，评价估计法矢的准确性，并且将估计的法向应用到点云数据处理中来比较特征保留效果。实验结果表明: 本文方法能够准确地估计尖锐特征曲面的法向，最小误差接近0。另外， 该方法对噪声有较好的鲁棒性，点云处理时能保留曲面的尖锐特征。相比于其他特征曲面法向估计法，所提出的方法估计的法向误差更小、速度更快、耗时更少。

由于钢轨图像灰度分布不均, 一般的图像分割法难以将目标从背景中分割出来, 故本文提出了目标方差加权的类间方差阈值分割法对钢轨图像进行阈值分割。分析了钢轨图像的特点, 总结了加权的目标方差(Otsu)方法及其它全局阈值分割法对钢轨图像分割存在的问题。然后, 对Otsu方法进行改进, 以目标出现的概率为权重, 对类间方差的目标方差加权, 使分割阈值靠近单模直方图的左边缘和双模直方图的谷底。最后, 计算图像的错误分类误差、钢轨图像的缺陷检测率和误检率来验证算法的有效性。实验结果表明, 改进的Otsu方法能有效地分割钢轨图像, 错误分类误差接近0。与其它阈值分割法如Otsu法、其它改进的Otsu法、最大熵阈值分割法相比, 本文方法对钢轨图像的分割效果更优, 缺陷检测率和误检率分别为93%和6.4%, 适合机器视觉缺陷检测的实时应用。

为了有效去除获取三维点云数据时的噪声，同时又不损失模型的特征信息，提出了一种基于三维点云特征信息分类的去噪算法。首先采用主成分分析法和二次曲面拟合法估算三维点云的微分几何信息; 然后根据点云平均曲率的局部特征权值，将点云数据划分为特征信息较少的平坦区域和特征信息丰富的区域，针对不同特征区域分别采用邻域距离平均滤波算法和自适应双边滤波算法进行去噪滤波。实验结果表明: 滤波后点云数据的最大误差为0.144 7 mm，标准偏差为0.021 0 mm。在不同噪声强度下，该去噪算法均能够达到较好的去噪效果，并保留点云的高频特征信息。

为了弥补空间域水印算法在提取水印时需要原宿主图像、鲁棒性较差等缺点, 提出一种基于BP神经网络和人眼视觉特性(HVS)的空域数字水印算法。先选出原宿主图像对比度函数值最大的前块用于二值水印图像的嵌入, 利用神经网络能够逼近任意非线性关系的特点和其自适应性, 构建水印信号嵌入前后图像块像素值间的映射关系, 实现了水印的盲提取, 并将该算法与现有算法进行了对比。实验结果表明, 对于JPEG压缩、加噪、剪切和旋转等常见的图像处理攻击, 算法具有良好的鲁棒性和不可见性。