传统非局部均值(NLM)算法在滤波过程中采用固定滤波系数,从而导致图像细节过度平滑。为解决此问题,引入结构张量(ST)的迹作为图像特征区域的判别准则,设计了一种自适应滤波系数的权值函数(ST-NLM)。此外,针对传统算法计算耗时的问题,采用积分图像对算法进行加速。测试结果表明:经ST-NLM方法去噪后,图像整体平滑度和细节保留程度均较好;与NLM相比,ST-NLM方法的峰值信噪比提高了3 dB,结构相似度提高5%,运行速度提高约2倍。

景象匹配对匹配算法的运行速度和内存占用均要求较高。为提升归一化互相关算法的运行速度并降低其内存占用率，本文重点对其中的基准子图能量计算步骤进行了加速研究。经过详细分析，积分图法具有灵活、快速的优点，但缺陷为其在快速计算的同时需花费较大内存，并不适合直接应用在嵌入式系统中。本文提出了一种快速递推算法。该算法利用相邻像素值的能量进行连续递推，计算时可以不必像积分图法那样给所有的图像能量都分配空间，只需预留1行的像素空间便能完成整个能量计算过程。实验结果表明: 在时间花费方面，快速递推法具有和积分图法相当的运算速度，耗时均只为传统归一化互相关算法的1/2; 在内存占用率方面，快速递推法约为积分图法的1/3以下，且实时图尺寸越大，快速递推法占用的内存越小。综上所述，在归一化互相关算法中利用经典积分图法和本文提出的快速递推法计算基准子图能量，均较传统NCC算法有所加速，两种算法各具优点，经典积分图法快速、灵活，适用于对速度要求高，但对内存占用率要求不太高的应用场景; 而快速递推法快速、省内存，更适用于嵌入式系统的应用。

在复杂光照条件下二维码扫码器采集到的图像容易出现整体高亮、阴影区域和局部高亮、阴影区域, 使得图像分割阈值确定困难, 研究了Sauvola算法中的窗口大小w值和修正因子k值对于QR码图像二值化的影响。针对全局二值化方法抗噪能力差和局部二值化方法处理速度慢的缺陷, 提出了一种改进的QR码图像二值化方法, 将Otsu和Sauvola算法相结合提升算法抗噪能力, 并利用积分图算法提高算法运行效率。实验证明, 该方法二值化效果优于经典的二值化方法, 平均运行效率比原Sauvola算法提高17倍, 提升了识别成功率。

快速有效地对所获图像进行去噪是提高激光主动成像制导精度的关键一步。针对成像中的散斑噪声，提出了一种改进的小波阈值与基于积分图像的非局部均值滤波相结合的去噪算法。首先对激光主动成像图像进行噪声分析；然后通过对数变换将乘性噪声转换为加性噪声；而后将含噪图像进行两层小波分解，在第一层高频部分运用改进的小波阈值法，在第二层高频部分运用基于积分图像的非局部均值滤波算法进行去噪；最后进行相应的逆变换得到去噪图像。理论分析和实验结果证明，该算法能有效去除噪声，较好地保证了图像细节，并且满足激光主动成像制导对图像去噪实时性的要求。

运动目标检测是智能视频监控系统中的重要步骤和前提。提出了一种基于随机背景建模的非参数化建模算法, 对场景中运动目标进行快速提取跟踪。在初始化阶段, 从当前像素的邻域中随机抽取样本值作为背景模型; 在模型更新阶段, 引入了随机更新策略和背景传播机制, 能够较好地抑制环境噪声; 在后处理阶段, 给出了一种基于积分图的前景滤波优化方法, 进一步滤除噪声和填充前景空洞。实验结果表明, 在复杂场景条件下, 算法的目标检测性能明显优于其他几种同类算法, 能够较好地抑制噪声干扰, 具有较高的检测正确率。对于360×288像素的测试视频, 算法的计算速度高达120 f/s, 完全可以满足实时应用。

为了在兼顾形状匹配算法的检索率和运算效率的同时实现部分遮挡目标的精确匹配, 提出了一种基于弦角轮廓特征的形状描述算法。该算法基于轮廓点的空间位置关系构造每个轮廓采样点的弦角轮廓特征描述子, 利用描述子的自包含属性描述开轮廓的形状特征。采用L1度量方法计算两个轮廓点的弦描述子之间的距离, 获得匹配代价矩阵。最后利用积分图算法计算匹配代价矩阵的相似度, 实现部分遮挡目标的识别。基于MPEG-7形状数据库和Kimia216形状数据库进行了目标识别实验。实验结果表明: 该算法对部分遮挡目标具有良好的鲁棒性, 而且有较高的运算效率, 部分匹配的检索率达到83.63%, 提高了19.09%, 实验结果优于现有部分遮挡形状匹配算法。该算法较好地满足了遮挡形状的匹配和识别对速度、准确率和抗遮挡能力等方面的要求。

为了实现机器人在弱纹理场景中的避障和自主导航, 构建了由双目相机和激光投点器构成的主动式双目视觉系统。对立体视觉密集匹配问题进行了研究: 采用激光投点器投射出唯一性和抗噪性较好的光斑图案, 以增加场景的纹理信息; 然后, 基于积分灰度方差(IGSV)和积分梯度方差(IGV)提出了自适应窗口立体匹配算法。该算法首先计算左相机的积分图像, 根据积分方差的大小确定匹配窗口内的图像纹理质量, 然后对超过预设方差的阈值与右相机进行相关计算, 最后通过遍历整幅图像得到密集的视差图。实验结果表明: 该视觉系统能够准确地恢复出机器人周围致密的3D场景, 3D重建精度达到0.16 mm, 满足机器人避障和自主导航所需的精度。与传统的算法相比, 该匹配方法的图像方差计算量不会随着窗口尺寸的增大而增加, 从而将密集匹配的运算时间缩短了至少93%。

传统的二维Otsu法采用灰度级-平均灰度级二维直方图, 针对传统二维直方图区域划分存在的不足, 基于灰度级-梯度二维直方图, 提出了一种引入积分图像的快速二维Otsu法, 利用积分图像降低搜索二维直方图最佳阈值的计算复杂度, 从而减少了计算量。实验结果表明, 该方法具有良好的分割效果, 大大地提高了计算速度, 是一种快速有效且实时性好的阈值分割算法。

为了实时提取图像中任意尺寸窗口区域的不变矩, 提出了一种快速计算方法。该算法通过构造一组积分图像, 避免了在直接计算中出现的大量重复运算, 使得图像中任一子窗口区域的不变矩都可以通过组合几个查找表运算得到。由于查找表运算的加法和乘法次数是恒定的, 从而使得不同尺寸窗口区域的不变矩的计算均能在相同时间内完成。实验结果表明, 该方法不会引起计算精度的损失, 极大地降低了计算复杂度。对于从300×300pixels图像中提取的所有81×81pixels的窗口区域的不变矩这一任务而言, 快速算法仅需31ms, 比直接计算的速度提高了324倍。

针对红外图像中普遍存在的高噪声与边缘模糊问题，提出了一种新的红外图像处理方法。基于积分图像理论，结合高频增强滤 波法，给出了红外图像降噪去条带算法，设计了软件并实现了处理效果。仿真结果表明，与传统的方法相比，该方法具有速度快、自适应能力强和条带去除明显 等优势，并可以尽可能多地保留原始图像的细节特征。