基于粗糙集的图像增强智能决策方法

为了使图像能根据图像特征自适应选取增强算法,给出一种基于粗糙集的图像增强智能决策方法.该方法首先建立图像增强算法库,并用现行的算法提取图像的数值特征作为条件属性,按照图像评价指标结合专家经验选取处理效果最优的算法作为决策属性,从而构成信息决策表.最后应用粗糙集来对决策信息表进行离散化和属性约简,以生成图像增强算法选取的决策规则.试验表明,该决策方法能比较有效地根据系统所处理图像的特征选取出算法库中最优的增强算法.     

基于视觉和粗糙集理论的跟踪系统研究

在分析粗糙集理论的基础上,研究了基于视觉和粗糙集的特定目标检测和跟踪技术.提出了一种基于RGB和HSV两种色彩系统混合实现图像分割,然后采用基于粗糙集理论的控制决策策略,通过实施约简处理得到最小决策规则表指导摄像机实现对目标跟踪的方法.实验结果表明基于该方法的视觉系统具有高效性和鲁棒性.     

基于近似集与粒子群的粗糙熵图像分割方法

基于经典粗糙集理论的图像分割方法缺少对目标图像不确定性边界域的精确划分,其根据先验粒度构建的图像粗糙集信息系统,并没有客观准确地反映出不同粒度之间的粗糙性信息。基于粗糙集近似集理论模型,首先采用自适应粒化方法得到图像的最优粒度,接着基于该粒度划分构建图像的目标和背景的上下近似集,再根据近似集思想对目标集合的边界域进行精确刻画,同时结合粒子群算法提高求解粗糙集近似集最大粗糙熵的效率,最终得到图像分割的最优分割阈值,并通过仿真实验表明该方法具有可行性和有效性。     

一种基于粗糙集合理论的彩色图像分割

在数字图像处理中,图像分割是其中的一个重要问题,也是一个经典难题.基于阈值选取方法的图像分割计算简单,具有较高的运算效率,其方法多种多样,但是方法选取直接影响到图像分割的质量.为了对彩色图像进行合理的分割,获得合适的阈值,提出了一种基于粗糙集理论的彩色图像分割算法.它将基本直方图作为图像粗糙集的下近似,将Histon直方图作为其上近似,计算出图像粗糙度后通过单峰子集分离法实现对图像的分割.实验结果表明该算法对背景复杂和颜色渐变的彩色图像有较好的分割效果.     

一种基于粗糙集区域分割和语义分类的方法

提出一种基于粗糙集的图像理解方法.将图像视为一个信息系统,每个像素看作系统中的一个实体对象.引入粗糙集理论中上下近似和核属性的相关概念,采用相容扩展模型下的知识约简方法,对图像处理、分析和解释这3个过程进行分析,提出基于粗糙集的分割算法和知识库规则约简推理方法.通过与Ncuts分割方法及统计学习方法进行理解的实验结果对比,表明算法的可行性和理解的准确性.     

海洋SAR图像分割及边缘梯度特征的提取

为提高合成孔径雷达(SAR)海洋溢油图像的分割效果,得到海洋表面溢油的准确信息,提出一种改进的迭代算法,能更为有效地选取阈值,尤其适用于暗斑区域与背景灰度值差异悬殊的情况.对海洋SAR图像进行预处理,并且对处理后的SAR样本图像进行边缘分割,在此过程中通过优化迭代算法得到一种新的选取阈值的方法,运用此方法成功将暗斑区域与海洋背景分离;使用5*5窗口提取样本图像的边缘梯度特征量,对梯度均值与方差进行分析、理解达到识别SAR图像中的溢油区域的目的.将仿真结果与传统分割结果进行了比较,比较结果表明了该方法在选取阈值进行图像分割方面要优于其它算法.     

遗传算法粒在二维最大熵值图像分割中的应用

研究图像分割,针对从图像中提取用户要求的特征目标,最优阈值的选取是图像准确分割的关键技术.传统二维最大熵值算法的最优阈值采用穷举方式进行寻优,耗时长,分割效率较低,易产生误分割.为了提高图像分割效率和准确性,提出一种遗传算法的二维最大熵值图像分割方法.先对原始图像进行灰度转换,绘制出图像的二维直方图.根据二维直方图信息...     

基于PDE的卫星姿态图像分割

为了分析卫星的在轨姿态,需要分割卫星图像序列,本文给出了一种基于偏微分方程(PDE)的卫星姿态图像分割算法.算法首先使用Perona-Malik各向异性扩散模型去除图像的噪声,同时保持图像的边缘;然后以Mumford-Shah模型为基础,根据图像的灰度信息,通过求解水平集方程以获取全局的最优曲线;最后经过形态学处理后得到分割结果.实验结果表明,该算法能够有效地分割卫星姿态图像,从而获取图像特征.     

基于改进的模糊BP神经网络图像分割算法

研究了使用BP神经网络方法进行图像分割问题.针对神经网络用于分割图像时需要大量的训练数据,由于数据量大,计算速度相当慢,不适合实时数据处理,造成图像分割分辨率低,清晰度不高等问题,本文提出了一种采用模糊BP神经网络的图像分割算法.采用模糊集理论来约减分割后的图像区域特征,降低特征向量的维数,依据规则构造神经元个数,从而输出决策的分类值,最后采用BP神经网络算法进行迭代,最终得到决策结果并输入分割的图像,最后实验证明本文提出的算法能有效的分割图像,图像分割边缘清晰,同时该算法有效的缩短了样本训练的时间.     

一种基于粗糙集理论的票据图像识别分类方法

本文根据票据图像的版面特点,选取表格线、背景信息及纹理信息作为主要特征,采用粗糙集理论进行特征属性约简、规则提取及规则约简。并提出了一种基于多规则集的综合决策分类方法,巧妙的利用其分类及拒识的特点,有效地实现了票据图像分类。     

基于多特征融合的花卉图像检索

以植物花卉图像为研究对象,对植物花卉图像在区域分割、特征提取、基于内容的雷同图像过滤以及基于SVM的植物花卉图像检索等方面进行了系统、深入和较为全面的研究。首先为保证检索效果,提出了基于Canny边缘的雷同图片过滤算法对花卉图像库中的雷同图片进行过滤。然后提出基于2RGB混合颜色模型的自适应阂值分割算法来对花卉图像进行分割。对特征提取采用多特征融合的方法,其中针对形状特征提出了基于HSV颜色模型的加权不变矩,并提出了结合形状特征与纹理特征的边缘LBP算子。通过在花卉图像库进行的实验表明,提出的若干方法都是有效的。     

判别割(Dcut)的图像分割及其快速分割算法

谱聚类算法在模式识别和图像分割中得到了广泛应用。谱聚类算法能在任意形状的样本空间上聚类且收敛于全局最优解。采用一个新的谱聚类算法Dcut进行图像分割。Dcut完全满足聚类算法的一般准则:类内样本间的相似度大,类间样本的相似度小,因此Dcut在图像分割方面比Ncut具有更好的分组性能。为了克服Dcut分割速度慢,提出基于子空间的Dcut(SDcut)和基于分块的SDcut(BSDcut)两种快速算法。SDcut和BSDcut这两种快速算法具有Dcut的分组性能的同时,降低了分割图像的计算复杂度。通过对纹理图像和真实图像的分割,验证了新算法的有效性。     

最优算法组合在目标检测图像信号处理中的应用

针对网域内简单背景下目标感知识别处理速度慢、准确率低的问题,提出了基于最优算法组合的目标检测方法;该方法将多种图像处理方法融入目标识别算法中,在采用不同算法对采集到的图像进行预处理、分割和特征提取效果比较的基础上,确定出最优算法组合并设计实验验证其可靠性和鲁棒性;试验结果表明该方法能够快速有效的判别行人目标,识别率达到96.67%,解决了网域内目标检测问题;与其他单一算法相比具有处理速度更快、判别更加有效,实时性高等特点,明显优于一般算法。     

结合多特征和模糊偏好关系的高分辨率遥感影像分割

高空间分辨率(简称高分辨率)遥感影像除光谱特征外,还包含丰富的纹理特征,为了实现高分辨率遥感影像的高精度分割,提出结合多特征和模糊偏好关系的分割方法.首先,通过像素光谱测度定义多种统计特征,根据定义的各个特征提取特征影像并分别实现影像分割,利用其结果构建模糊决策矩阵;然后,基于像素定义特征间的模糊偏好关系矩阵,计算不同特征对最终分割决策的权重,并对模糊决策矩阵加权以突出优势特征,抑制劣势特征;最后,通过反模糊化决策矩阵得到最优影像分割结果.对合成影像和真实高分辨率遥感影像的分割结果进行定性和定量评价,结果表明,合成影像的分割总精度为99.8%,Kappa值为0.998,说明所提出的算法通过结合各特征的优势部分能够获得高精度的分割结果.     

基于最大互信息量的图像自动优化分割

由于传统的阈值分割算法只考虑到图像的灰度信息,而忽略了灰度的空间分布以及分割后图像与原图像之间的关系,因而分割效果不好。为了提高分割效果,从分割图像与原图像的内在联系出发,提出了一种新的基于K均值算法与互信息量(mutual information,MI)技术相结合的分割算法。新算法首先利用K均值算法确定全局阈值作为初值;然后以互信息量为目标函数,在小范围内计算分割图像与原图像的互信息量,互信息量达到最大时的阈值即为最优值。这是将图像配准方法用于分割的一种创新性尝试。通过对大量医学图像以及汽车牌照图像进行的实验结果表明,该新算法所得到的目标图像的边界特征保持完好,不仅虚假目标信息大大降低,而且图像边界细腻、连续,且定位性能好。     

视觉导引智能车的自适应路径识别及控制研究

为了提高智能循迹小车路径识别的精度与行驶速度,提出了一种基于自适应闽值二值化的路径识别算法.首先采用OTSU算法计算出图像分割的最佳阈值,利用此闽值二值化灰度图像;然后提取二值化图像中赛道中心线,得到智能车在赛道中所处位置信息.其次利用线性回归方程对丢失赛道边缘图像拟合直线,根据图像特征完成路径识别.最后采用分段式PID算法实现方向控制,使用增量式PID进行速度调节.测试结果表明,此方法有效提高了不同路径的识别率以及对外界灯光环境的适应性.     

基于DenseNet-BC网络的皮肤镜下皮肤损伤分割

针对皮肤病变图像边界分割不准确的问题,提出了一种改进的稠密卷积网络(DenseNet-BC)皮肤损伤分割算法。首先,改变传统算法层与层之间的连接方式,通过密集连接使得所有层都能直接访问从原始输入信号到损失函数的梯度,让图像特征信息得到最大化的流动。其次,为降低参数数量与网络的计算量,在瓶颈层和过渡层中采用小卷积核对输入特征图的通道数进行减半操作。将DenseNet-BC算法与VGG-16、Inception-v3以及ResNet-50等算法在ISIC 2018 Task 1皮肤病变分割数据集上进行性能比较。实验结果表明,DenseNet-BC算法的病变分割准确率为0.975,Threshold Jaccard为0.835,分割准确率较其他算法提升显著,是一种有效的皮损分割算法。     

应用多方向光源分割带钢表面缺陷

光源的照明方式和安装角度对采集到的图像质量有很大的影响,这种不同会导致同一幅缺陷图像产生不同的纹理效果。目前的采集系统一直将光源的影响看作负面因素,事实上如果将不同方向光源对带钢缺陷图像信息的影响用于分割,能够获得更全面、准确的图像信息,因为光源序列的分割方法比单光源包含了更多的缺陷特性。首先采集不同方向光源照射下的图像序列,再提取图像最大强度值位置对应的光源倾角方向作为特征,最后在特征空间运用线性判别函数得到分割结果。实验结果表明提出的方法能获取更高对比度的缺陷图像,正确地将缺陷从背景图像中分割出来。     

综合边界和纹理信息的合成孔径雷达图像目标分割

目的 针对传统Grab Cut算法需要人工交互操作,无法实现合成孔径雷达（SAR）图像的自动分割,且方式单一（仅利用边界或纹理信息中的一种）的问题,提出一种综合利用边界和纹理信息的改进Grab Cut算法,实现对SAR图像目标的自动分割。方法 首先将其他格式的彩色或灰度SAR图像转化为24 bit的位图,采用图形理论对整幅SAR图像建模,根据最大流算法找到描述图的能量函数最小的割集,从而分割出目标区域;然后采用中值滤波抑制相干噪声;最后通过邻域生长算法滤除图像斑点和小目标的干扰,从而达到目标边界的连接,实现自动对SAR图像中的目标进行分割。结果 在64位Window 7环境下采用MATLAB R2014处理平台,对楼房、车库、大树、汽车群等4幅分辨率不同的SAR图像进行目标分割实验,特征目标被自动分割出来,耗时分别为1.69 s、1.58 s、1.84 s和3.09 s,相比Mean-shift和Otsu算法,平均计算效率分别提升150%和3%,并且图像中的背景杂波、目标阴影和干扰小目标均被有效去除。结论 综合利用边界和纹理信息能够有效抑制相干噪声,去除图像斑点和小目标的干扰,从而达到目标边界的连接,实现对SAR图像目标的自动分割。实验结果表明,本文算法可以满足工程化应用要求,自适应性强,分割精度高,且具有较好的鲁棒性。     

划分特征子区域的图像修复算法

为了解决含有丰富纹理信息和复杂结构信息的大破损区域中的缺失信息修复的问题,提出了一种划分特征子区域的图像修复算法。首先,根据图像中包含的不同特征,运用特征公式进行特征提取,再通过统计特征值划分特征子区域,提高了图像修复的速度;其次,在原Criminisi算法的基础上改进了优先级的计算,通过增大结构项的影响,避免结构断裂的产生;然后,通过目标块和其最佳邻域相似块共同约束样本块的选取,确定最佳样本块集;最后,利用权值分配法合成最佳样本块。实验结果表明,所提算法相比原Criminisi算法,其峰值信噪比（PSNR）提升了2~3 dB,相比基于稀疏表示的块优先权值计算的算法,其修复效率有明显的提高。所提算法不但适用于一般小尺度的破损图像的修复,而且对于含有丰富纹理信息和复杂结构信息的大破损图像的修复效果也更佳,并且修复后的图像更加符合人们视觉上的连通性。