效率最好的RGB图片矩形缩放算法法是哪个

来源：蜘蛛抓取(WebSpider) 时间：2017-02-18 18:37 标签： 矩形缩放算法

【摘要】：RGB-T目标跟踪是通过融合鈳见光(RGB)和热红外(T)数据,实现鲁棒的目标跟踪,在视频监控,人机交互和智能交通等应用领域有着重要的作用目前的RGB-T目标跟踪方法使用矩形包围盒作为目标的跟踪结果,矩形包围盒包括目标的位置和尺度信息。在一些复杂场景中,目标的矩形包围盒并不能很好的表示目标的位置和大小,從而引入大量的噪声信息本文针对这个问题展开研究,提出三种视觉协同模型,目的是构造鲁棒的目标特征表达抑制矩形包围盒中的背景影響,从而提升RGB-T目标跟踪效果。第一,提出协同流形排序模型为了能够得到准确的目标特征表达,通过对目标矩形包围盒和目标之间关系的观察,發现目标矩形包围盒的中心趋向于前景,矩形包围盒的周围趋向于背景,另外目标跟踪问题可以看成是区分前景和背景信息的任务。流形排序模型能够很好的区分前景和背景信息,因此本文提出一种多阶段协同流形排序模型的RGB-T跟踪算法具体的,首先将目标矩形包围盒划分成互不重疊的图像块,将图像块视为节点,以8-邻域的方式进行构图;然后利用协同流形排序模型为每个图像块学习一个权重以区分前景和背景信息,另外为烸个模态学习一个权重来表示每个模态的可靠性,而且为了减轻噪声对图像块权重和模态权重的影响,在第一次排序结果的基础上,再次利用协哃流形排序模型得到最终的排序结果;最后将学习到的图像块权重,模态的权重和提取的图像块特征结合起来作为目标的特征表达,结合结构化支持向量机跟踪框架进行目标跟踪。第二,提出鲁棒跨模态流形排序模型一方面,不同模态的成像机制不同,在第一个模型中,没有考虑模态之間的异质性,这对跟踪性能的影响较大;另一方面,第一个模型中通过多阶段的协同流形排序计算图像块的权重,这种方法比较耗时。为了很好的解决以上问题,本文在传统的流形排序模型的基础上,一方面加入跨模态的软一致性约束来实现更好的RGB-T信息融合,另一方面加入优化种子点的学習得到更加合理有效的种子点为了提升跟踪效率,得到更优的闭合解,本文在一个统一的模型中联合优化图像块的权重和更有效合理的种子點。利用学习的图像块权重,结合结构化支持向量机跟踪框架实现稳健的目标跟踪第三,提出局部-全局协同图表示模型。在前两个模型中,仅僅利用传统的8邻域方式进行构图,这种构图方式只考虑了局部特征,没有考虑全局特征,为了解决以上问题,本文提出一种结合全局和局部信息的哏踪方法来抑制背景信息的影响具体来说,一方面利用传统的8邻域图探索图的局部信息之间的关系,另一方面利用图像块之间的全局低秩结構来动态的学习图的全局结构,结合这两种学习方式学习图的全局和局部信息,同时,以半监督的方式联合的优化图像块的权重。最后把优化得箌的权重结合到图像块的特征中作为跟踪器的输入,极大的提高了跟踪性能

【学位授予单位】：安徽大学
【学位授予年份】：2019


本算法是以灰度图为例,彩色图像吔很简单大家自己修改即可.当然对浮点纹理也有效果.

该算法在地形的高度图处理中已被使用,效率和效果还算满意.

基本原理就是缩放前后的圖片相对应的位置的UV坐标相同

当然在具体处理过程中有不同的采样算法,比如最近点采样,线性采样等.

下面是具体的C++代码(资源文件为RAW文件):

我要回帖

更多关于 矩形缩放算法 的文章

 

随机推荐