SAR图像尺度不变特征提取方法研究

与光学图像相比,SAR图像噪声干扰明显增强,导致光学图像处理领域中常用的尺度不变特征提取算法的稳定性在SAR图像中明显下降。为此,提出一种基于Harris算子的SAR图像尺度不变特征提取方法。该方法首先将单尺度图像特征点检测中具有良好稳定性的Harris算子拓展到多尺度图像域,并结合Harris算子极值点的稳定性分析实现尺度不变特征定位,以提高特征定位的稳定性。进而采用迭代滤波器取代传统卷积滤波器完成特征定位中所需高斯滤波操作,以提高特征定位的速度。最后利用特征点邻域内的像素梯度信息完成了特征描述字的构造。SAR图像实测数据验证表明,与其他尺度不变特征提取算法相比,本文算法具有更优的稳定性。     

一种基于Graph Cuts的多尺度乳腺肿块分割方法

提出一种基于Graph Cuts的多尺度乳腺肿块自动分割方法.首先,应用区域统计融合方法对图像进行粗分割,将得到的粗轮廓作为后续Graph Cuts分割的初始轮廓.在迭代优化阶段,引入多尺度分析方法,以高斯金字塔分解得到的多尺度图像序列代替固定尺度的原始图像序列估计高斯混合模型(GMM)参数,将粗糙尺度的易分割性与精细...     

基于聚合通道特征的防震锤锈蚀缺陷识别算法

高压输电线路中防震锤锈蚀会危害输电线路的安全运行。基于图像处理技术提出了一种基于聚合通道特征的防震锤检测和锈蚀缺陷识别的算法。该算法首先引入聚合通道特征（Aggregate Channel Features,ACF）分别提取无人机拍摄的输电线路图像中的颜色、梯度幅值和梯度方向直方图,构建多尺度ACF金字塔;利用滑窗法和Adaboost分类器检测图像中的防震锤,并使用非极大抑制操作得到最佳防震锤的位置;再结合Graph Cuts算法实现防震锤图像的分割;最后采用RGB颜色模型识别防震锤锈蚀缺陷。实验结果表明：该算法对防震锤位置的检测和锈蚀识别的精度较高。     

基于深度特征融合的图像语义分割

在图像语义分割中使用卷积网络进行特征提取时,由于最大池化和下采样操作的重复组合引起了特征分辨率降低,从而导致上下文信息丢失,使得分割结果失去对目标位置的敏感性。虽然基于编码器-解码器架构的网络通过跳跃连接在恢复分辨率的过程中逐渐细化了输出精度,但其将相邻特征简单求和的操作忽略了特征之间的差异性,容易导致目标局部误识别等问题。为此,文中提出了基于深度特征融合的图像语义分割方法。该方法采用多组全卷积VGG16模型并联组合的网络结构,结合空洞卷积并行高效地处理金字塔中的多尺度图像,提取了多个层级的上下文特征,并通过自顶向下的方法逐层融合,最大限度地捕获上下文信息;同时,以改进损失函数而得到的逐层标签监督策略为辅助支撑,联合后端像素建模的全连接条件随机场,无论是在模型训练的难易程度还是预测输出的精度方面都有一定的优化。实验数据表明,通过对表征不同尺度上下文信息的各层深度特征进行逐层融合,图像语义分割算法在目标对象的分类和空间细节的定位方面都有所提升。在PASCAL VOC 2012和PASCAL CONTEXT两个数据集上获得的实验结果显示,所提方法分别取得了80.5%和45.93%的mIoU准确率。实验数据充分说明,并联框架中的深度特征提取、特征逐层融合和逐层标签监督策略能够联合优化算法架构。特征对比表明,该模型能够捕获丰富的上下文信息,得到更加精细的图像语义特征,较同类方法具有明显的优势。     

基于多尺度随机模型的SAR图像无监督分割

合成孔径雷达（synthetic aperture radar,SAR）是一种基于相干原理的成像系统,在SAR图像中存在严重影响图像质量的斑点噪声,使得SAR图像的可靠分割非常困难。〖BP）〗根据SAR图像的成像机理,利用两种多尺度随机模型,即多尺度自回归（Multiscale Autoregressive,MAR）模型和多尺度自回归滑动平均（Multiscale Aautoregressive Moving Average, MARMA）模型,分别来描述同一场景不同分辨率SAR图像像素间的统计相关性,并构造了相应的多分辨混合算法实现SAR图像的无监督分割。试验结果表明,提出的两种无监督分割方法是可行的,且MARMA模型比MAR模型能够更精确地捕捉SAR图像多尺度序列中不同类型地形的统计信息,使分割质量具有明显的改进。     

基于融合分层条件随机场的道路分割模型

为了在道路检测中结合图像的多尺度特征以及点云的空间结构特征,使检测算法能有效地排除道路场景中的阴影、光线等干扰,本文提出一种基于融合分层条件随机场的图像和点云融合的道路分割模型．首先,利用Meanshift算法产生多个尺度的超像素分割,建立基于图像的多尺度分层条件随机场．将点云数据投影到图像平面,再建立基于点云的多尺度分层条件随机场．在条件随机场的像素层和点云层之间建立连接,构造多尺度的融合模型．然后,针对多尺度融合模型中图像层的每一层和点云层的每一层,分别提取对应尺度的图像特征或点云特征．每一层用梯度提升树算法根据提取的特征训练1个分类器,利用每一层的分类器得到对应层的数据项代价．最后,使用α扩张算法对融合模型进行联合优化求解．在KITTI Road数据集上的实验结果表明,该方法具有良好的道路检测性能．     

基于多尺度Markov模型的SAR图像上下文融合分割方法

在多尺度Markov模型的基础上,提出了一种新的用于SAR图像无监督分割的上下文融合分割方法。该方法充分考虑了SAR图像分布的统计特性,用基于混合Rayleigh分布的多尺度Markov模型对待分割图像建模,并直接根据待分割图像用迭代条件估计算法来训练模型的参数。然后以上下文向量的形式提出了四种不同的上下文模型,并用这四种上下文模型分别对待分割图像的多尺度图像信息进行自上而下的融合,最终得到四种不同的分割结果。实验表明,该方法进一步提高了SAR图像分割结果的精度。     

基于多尺度颜色小波纹理特征的火焰图像分割

火焰图像分割质量对基于数字成像的燃烧监测十分重要。受炉膛背景及燃烧工况的影响,难以同时满足火焰图像分割速度和准确度（即火焰图像分割结果与真实火焰接近程度）的需求。提出一种基于多尺度颜色特征和小波纹理特征（MCWT）的无监督火焰图像分割方法,用于提高火焰图像分割的质量和速度。结合火焰图像颜色特征及小波纹理特征构建特征矩阵,对特征矩阵进行压缩并初步检测压缩尺度火焰区域。根据压缩尺度火焰边缘确定原始尺度火焰边缘区域并构建火焰边缘区域特征矩阵,进一步分割得到准确火焰图像分割结果。采用该方法对某工业煤燃烧实验炉内不同燃烧工况下的火焰图像进行分割,并与传统分割方法对比。实验结果表明与其他传统分割方法相比,提出方法能够更准确且快速地实现不同燃烧工况下火焰图像的分割,并且其对于含有高斯噪声和椒盐噪声的火焰图像都具有更好的分割效果。     

基于改进全卷积一阶检测器的桥梁裂缝定位算法

为解决桥梁裂缝检测时定位速度慢的问题,提出一种基于全卷积一阶（FCOS）检测器的裂缝定位改进算法。本算法采用FCOS网络模型,利用轻量级骨干网络Efficientnet提取裂缝图像特征,作为改进措施,引入加权双向特征金字塔网络（BiFPN）融合裂缝图像不同尺度的特征,从而进一步增强骨干网络的视觉特征提取效果。在自制数据...     

基于小波域HMT模型的序列图像超分辨率重建*

鉴于基于小波域隐马尔可夫树的噪声抑制性和较好的边缘保持性,提出一种基于小波域隐马尔可夫树的序列图像的超分辨率重建算法。针对小波系数进行统计建模,讨论了不同尺度小波系数之间的隐马尔可夫树结构,利用了序列图像的运动信息,运用极大后验概率估计和贝叶斯原理,将小波域HMT作为图像先验知识并给出了超分辨率重建算法,最终通过EM算法和共轭梯度算法的交替迭代进行优化计算。实验结果表明方法的重建效果得到了明显的改进。     

基于改进自注意力机制的金字塔场景解析网络

金字塔场景解析网络存在图像细节信息随着网络深度加深而丢失的问题，导致小目标与物体边缘语义分割效果不佳、像素类别预测不够准确。提出一种基于改进自注意力机制的金字塔场景解析网络方法，将自注意力机制的通道注意力模块与空间注意力模块分别加入到金字塔场景解析网络的主干网络和加强特征提取网络中，使网络中的两个子网络能够分别从通道和空间两个方面提取图像中更重要的特征细节信息。针对现有的图像降维算法无法更好地提高自注意力机制计算效率的问题，在分析“词汇”顺序对自注意力机制计算结果影响的基础上，利用希尔伯特曲线遍历设计新的图像降维算法，并将该算法加入到空间自注意力模块中，以提高其计算能力。仿真实验结果表明，该方法在PASCAL VOC 2012和息肉分割数据集上的精度均有提高，小目标与物体边缘分割更加精细，其中在VOC 2012训练集中平均交并比与平均像素精度分别达到75.48%、85.07%，较基准算法分别提升了0.68、1.35个百分点。     

融合多尺度上下文信息的实例分割

目的 实例分割通过像素级实例掩膜对图像中不同目标进行分类和定位。然而不同目标在图像中往往存在尺度差异,目标多尺度变化容易错检和漏检,导致实例分割精度提高受限。现有方法主要通过特征金字塔网络(feature pyramid network,FPN)提取多尺度信息,但是FPN采用插值和元素相加进行邻层特征融合的方式未能充分挖掘不同尺度特征的语义信息。因此,本文在Mask R-CNN(mask region-based convolutional neural network)的基础上,提出注意力引导的特征金字塔网络,并充分融合多尺度上下文信息进行实例分割。方法 首先,设计邻层特征自适应融合模块优化FPN邻层特征融合,通过内容感知重组对特征上采样,并在融合相邻特征前引入通道注意力机制对通道加权增强语义一致性,缓解邻层不同尺度目标间的语义混叠;其次,利用多尺度通道注意力设计注意力特征融合模块和全局上下文模块,对感兴趣区域(region of interest,RoI)特征和多尺度上下文信息进行融合,增强分类回归和掩膜预测分支的多尺度特征表示,进而提高对不同尺度目标的掩膜预测质量。结果 在MS ...     

基于梯度下降的脉冲神经元精确序列学习算法

基于梯度下降的脉冲神经元有监督学习算法通过计算梯度最小化目标序列和实际输出序列间的误差使得神经元能激发出目标脉冲序列。然而该算法中的误差函数是基于实际输出脉冲序列和相对应的目标输出脉冲序列动态构建而成,导致算法在收敛时可能出现实际输出序列的个数和期望输出个数不相等的情况。针对这一缺陷提出了一种改进的脉冲神经元梯度下降学习算法,算法在学习过程中检测目标序列脉冲个数和实际激发脉冲个数,并引入虚拟实际激发脉冲和期望激发脉冲构建误差函数以分别解决激发个数不足和激发个数多余的问题。实验结果证明该算法能有效地防止学习算法在输出脉冲个数不等的情况下提前结束,使得神经元能够精确地激发出目标脉冲序列。     

变分水平集分割方法

针对三维图像多相分割问题,提出一种变分水平集分割方法。由变分方法和梯度坡降方法得到能量泛函取极小值的水平集函数演化方程,与基于区域模型的参数估计构成一个交替迭代过程。仿真结果表明,该方法简单高效,能快速实现三维图像的轮廓分割与重建,真实反映采集序列断层图像的信息,具有较好的应用价值。     

融合小样本元学习和原型对齐的点云分割算法

目的 针对点云分割需要大量监督信息所造成的时间成本高、计算效率低的问题，采用融合原型对齐的小样本元学习算法对点云进行语义分割，使模型能够在监督信息很少的情况下完成分割任务。方法 首先，为了避免小样本训练时易导致的过拟合问题，采用2个边缘卷积层（edge convolution layer，EdgeConv）与6个MLP （multilayer perceptron）交叉构造DGCNN （dynamic graph convolutional neural network），同时还保证了能充分学习到点云信息；然后，以N-way K-shot的形式将数据集输入上述网络学习支持集与查询集的特征，通过average pooling feature获取类别原型并融合原型对齐算法得到更为鲁棒的支持集原型；最后，通过计算查询集点云特征与支持集原型的欧氏距离实现点云分割。结果 在S3DIS （Stanford large-scale 3D indoor spaces dataset）、ScanNet和闽南古建筑数据集上进行点云语义分割实验，与原型网络和匹配网络在S3DIS数据集上进行比较。分割1-way时，平均交并比（mean intersection over union，mIoU）相比原型网络和匹配网络分别提高了0.06和0.33，最高类别的mIoU达到0.95；分割2-way时，mIoU相比原型网络提高了0.04；将DGCNN网络与PointNet++做特征提取器的对比时，分割ceiling和floor的mIoU分别提高了0.05和0.30。方法应用在ScanNet数据集和闽南古建筑数据集上的分割mIoU分别为0.63和0.51。结论 提出的方法可以在少量标记数据的情况下取得良好的点云分割效果。相比于此前需用大量标记数据所训练的模型而言，只需要很少的监督信息，便能够分割出该新类，提高了模型的泛化能力。当面临样本的标记数据难以获得的情况时，提出的方法更能够发挥关键作用。     

低秩和主动形状模型的肺区分割

目的 肺区分割是肺癌计算机辅助诊断系统的首要步骤。主动形状模型（active shape model,ASM）能根据训练集获得肺区形状模型,再结合待分割肺区影像自身的局部特征,进行测试影像的分割。由于主成分分析（principal component analysis,PCA）仅能去除服从高斯分布的噪声,不能处理其他类型的噪声,所以当训练集含有非高斯类型的噪声样本时,采用基于PCA的ASM无法训练出正确的形状模型,使得肺区分割不能得到正确的结果。而低秩（low rank,LR）理论的鲁棒主成分分析（robust principal component analysis,RPCA）能去除各种类型的噪声,基于此,本文提出一种将RPCA与ASM相结合的方法。方法 首先对训练样本集标记点矩阵进行低秩分解,去除噪声样本对训练出的形状模型的影响。然后在ASM训练局部梯度模型时,用判断训练样本轮廓上的标记点曲率直方图的相似度来去除噪声样本。结果 在训练集含噪声样本时,将基于RPCA的ASM与传统ASM（即基于PCA的ASM）分别生成的形状模型进行对比,发现基于RPCA的ASM生成的形状模型与训练集无噪声样本时传统ASM生成的形状模型更相符。在训练集含噪声样本的情况下,基于RPCA的ASM方法分割EMPIRE10数据集中的22个肺影像,与金标准的重叠度为94.5%,而基于PCA的ASM方法分割准确率仅为69.5%。结论 实验结果表明,在训练样本集中有噪声样本的情况下,基于RPCA的ASM分割能得到比基于PCA的ASM更好的分割效果。     

一种基于四叉树的改进的ORB特征提取算法

文中提出了一种基于四叉树的改进的ORB(Oriented FAST and Rotated BRIEF)特征提取算法,它能够解决图像特征提取过程中特征点过于集中而导致的图像局部特征信息丢失的问题。首先,将图片构造成图像金字塔来解决尺度不变性问题;然后,在每一层金字塔图像上检测角点来提取特征点;接着,引入四叉树算法来 均匀化分布特征点并计算特征点的方向和描述子;最后,以华硕深度摄像头(Xtion PRO)为实验工具,在室内环境下提取周边特征点,并将提取效果与其他方法进行对比,实验证明了所提算法在图像特征均匀化处理方面的快速性以及准确性。     

动态生成掩膜弱监督语义分割

目的 传统图像语义分割需要的像素级标注数据难以大量获取,图像语义分割的弱监督学习是当前的重要研究方向。弱监督学习是指使用弱标注样本完成监督学习,弱标注比像素级标注的标注速度快、标注方式简单,包括散点、边界框、涂鸦等标注方式。方法 针对现有方法对多层特征利用不充分的问题,提出了一种基于动态掩膜生成的弱监督语义分割方法。该方法以边界框作为初始前景分割轮廓,使用迭代方式通过卷积神经网络（convolutional neural network,CNN） 多层特征获取前景目标的边缘信息,根据边缘信息生成掩膜。迭代的过程中首先使用高层特征对前景目标的大体形状和位置做出估计,得到粗略的物体分割掩膜。然后根据已获得的粗略掩膜,逐层使用CNN 特征对掩膜进行更新。结果 在Pascal VOC（visual object classes） 2012 数据集上取得了78.06% 的分割精度,相比于边界框监督、弱—半监督、掩膜排序和实例剪切方法,分别提高了14.71%、4.04%、3.10% 和0.92%。结论 该方法能够利用高层语义特征,减少分割掩膜中语义级别的错误,同时使用底层特征对掩膜进行更新,可以提高分割边缘的准确性。     

基于卷积神经网络的语义分割算法研究

针对语义分割中残差网络并不能完好地提取图像信息和分割效果差的问题,提出一种联合特征金字塔模型(JFP)用来融合残差网络的输出特征,并结合暗黑空间金字塔池化模型(ASPP)进一步提取特征。在解码部分应用简单的解码结构,恢复图像尺寸完成语义分割;同时引入注意力模型作为辅助语义分割网络,辅助神经网络进行训练。该方法分别在Pascal VOC 2012数据集和增强的Pascal VOC 2012数据集上对网络进行训练,并在Pascal VOC 2012的验证集上进行测试,其平均交并集之比(mIoU)分别达到了78.55%和80.14%,表明该方法具有良好的语义分割性能。     

一种面向散乱点云语义分割的深度残差?特征金字塔网络框架

针对当前基于深度学习的散乱点云语义特征提取方法通用性差以及特征提取不足导致的分割精度和可靠性差的难题, 提出了一种散乱点云语义分割深度残差?特征金字塔网络框架. 首先, 针对当前残差网络在卷积方式上的局限性, 定义一种立方体卷积运算, 不仅可以通过二维卷积运算实现三维表示点的高层特征的抽取, 还可以解决现有的参数化卷积设计通用性差的问题;其次, 将定义的立方体卷积计算与残差网络相结合, 构建面向散乱点云语义分割的深度残差特征学习网络框架; 进一步, 将深度残差网络与特征金字塔网络相结合, 实现三维表示点高层特征多尺度学习与散乱点云场景语义分割. 实验结果表明, 本文提出的立方体卷积运算具有良好的适用性, 且本文提出的深度残差?特征金字塔网络框架在分割精度方面优于现存同类方法.