为了更好地对图像进行平滑同时保持边缘不模糊, 设计一种新的滤波方法。对基于该方法的图像滤波、细节增强等算法进行研究。首先, 根据图像的亮度和颜色对图像进行分割, 将图像分成不同的区域。接着, 在不同的区域进行导引滤波, 得到互不交叠的多个滤波子图像。然后, 将这些子图融合,得到基于分割的改进导引滤波结果。最后, 利用提出的改进导引滤波方法提出一种多尺度的细节增强方法。实验结果表明, 在图像光滑和细节增强方面, 提出的方法都要好于传统的导引滤波: 提出的方法不仅能较好的光滑图像, 同时保持边缘清晰, 减少了传统滤波方法在边缘处的光晕现象。

针对传统的特征向量计算方法复杂度高、耗时长、占用内存多等缺点, 提出了一种基于字典描述向量的图像配准方法。该算法采用K-奇异值分解(K-SVD)方法生成字典, 通过比较特征点临近区域图像与字典中基底图像的相似性得到特征描述向量, 从而降低了描述向量的计算复杂度, 提高了算法的实时性。实施该算法时, 首先通过随机KD树算法对参考图像和待配准图像的特征点进行匹配, 然后使用经典随机抽样一致性(RANSAC)算法剔除误匹配点对,最后应用最小二乘法对得到的匹配点对进行参数估计, 从而得到两幅待配准图像的空间几何变换关系。实验表明结果, 本文提出的描述向量计算方法降低了描述向量的存储空间, 加快了特征匹配的速度, 可在保证配准准确度的前提下实现配准过程。