基于超像素和SVM的交互式联合分割算法研究*

联合分割是一类针对前景相同或相似的图像集进行处理的图像分割算法。本文将分割问题视为前背景像素的分类问题,提出了一种基于超像素和机器学习的联合分割算法, 其中使用支持向量机来实现超像素的分类。相比于其他联合分割算法,本文使用词袋(BOF)模型来描述每个超像素,并引入词频-逆向文件频率(Tf-idf)加权算法来优化提取到的特征。为了减少用户交互工作,通过只在一组前景相似的图像中使用一幅种子图像,并在训练分类器时采用样本抽取的方法来解决正负样本数量不平衡的问题。本文使用iCoSeg联合分割标准图像集来测试本文的算法,实验结果表明,相比其他联合分割算法,本文的方法在精确度和灵活性上都更有优势。     

机械零件直线边缘亚像素定位方法研究

直线是视觉图像中重要的基元特征.建立了三级灰度图像边缘模型的空间矩算子,利用LOG算子定位速度快的特点,确定图像像素级边缘,然后在包含边缘点的邻域内利用空间矩进行边缘的亚像素定位,由Hough变换提取直线边缘像素点,最后采用基于最小二乘原理的直线拟合边缘提取方法,得到亚像素级被检测直线.对空间矩算子亚像素定位算法与像面直线亚像素提取算法的有效性和精度进行了实验研究,实验结果表明提出的基于空间矩亚像素边缘定位算法与像面直线亚像素提取算法具有较高的精度和稳定性.     

像素预测误差耦合似然映射的图像伪造检测算法

为了解决当前图像伪造定位技术因使用了CFA 插值,易形成颜色插值噪声而降低分辨率,导致其难以检测微小篡改区域,使其伪造检测精度较低等不足,本文提出了像素预测误差耦合似然映射的图像伪造检测算法。首先,分析颜色滤波阵列CFA插值模型,并从图像中提取绿色分量;随后,嵌入权重因子,构造预测误差及其权重方差计算模型;根据预测误差与贝叶斯理论,定义伪造特征统计模型,识别出趋于零的特征值;最后,根据特征统计模型,建立其似然率模型,输出伪造映射,完成检测。仿真结果表明：与当前图像伪造定位机制相比,本文算法拥有更强的鲁棒性,能识别定位出微小伪造像素;且拥有更高的AUC值与理想的ROC曲线。     

基于亚像素配准的神经网络非均匀性校正

红外焦平面存在严重影响成像质量的非均匀性,本文使用基于亚像素配准算法和动量项BP神经网络的非均匀性校正算法进行校正。对短波红外相机成像过程中,由于相机视轴与成像目标位置的相对偏移(由相机安装平台晃动所致),使用基于矩阵乘法的亚像素配准算法进行配准;为了加速算法收敛,采用两点法来对校正系数进行初始化;为了改善BP神经网络容易陷入局部最优值,采用增加动量项的方法来改善校正效果。通过仿真实验可以看出提出的算法消除了传统神经网络校正方法存在的鬼影和边缘模糊等问题,获得了良好的校正效果,同时提高了算法的收敛速度。为短波红外图像数据后期处理提供了良好的基础。     

基于超像素和DTCWT的火焰检测

结合超像素和双树复小波变换(DTCWT)给出了一种基于图像的火焰检测算法。该算法使用简单线性迭代聚类(SLIC)方法对图像进行超像素分割,并采用RGB-HSV混合颜色空间对超像素进行处理,分割出疑似火焰区域;然后利用DTCWT对疑似火焰区域图像进行多尺度多方向分解,分别对高低频系数提取HOG特征和圆形度特征;最后通过特征融合,并使用交叉网络搜查法的SVM实现火焰的识别。大量实验结果表明该算法火焰识别的精度较高。     

基于超像素和各向异性扩散的车道线识别算法

为了获得更加理想的车道线识别效果,以保证车辆的行驶安全,提出一种基于超像素和各向异性扩散相融合的车道线识别算法.首先从车道线图像中提取车道线识别的感兴趣区域,然后采用分水岭超分割算法提取感兴趣区域内的超像素,并通过各向异性扩散模型进一步实现车道线准确分割,最后采用仿真实验测试其性能.实验结果证明,本文算法提高了车道线识别的准确性,加快了车道线识别的速度,可以满足车道线识别的实时性,具有很好的鲁棒性.     

颜色特征和超像素特征融合的人体目标再识别

在非重叠视域的多摄像机监控系统中,人体目标再识别有着重要的应用。针对再识别过程中面临的光照变化、视角变化、姿态变化、遮挡等问题,提出了融合全局颜色特征和超像素特征的方法,对颜色特征和超像素特征分配不同的权重,进行人体目标间的相似性度量。超像素特征是将前景图像分割成多个超像素,采用密集采样SIFT特征结合单词包(Bag-of-Words)框架对每个超像素进行描述。将得到的超像素特征和全局颜色特征结合建立人体目标模型,分别使用EMD(Earth Mover’s Distance)距离和巴氏距离度量目标间的相似性。对多个数据库进行实验,结果证明,该算法具有较高的识别率。      

基于超像素多特征融合的快速图像分割算法

为了提高高分辨率图像分割效率,解决复杂图案中待分割目标边缘附近前景与背景区分度小而造成的分割目标不完整问题,本文通过引入超像素HOG特征,提出了一种基于超像素多特征融合（superpixel multi-feature fusion,SMFF）的快速图像分割算法.首先采用目前最有效的超像素算法对待分割图像进行超像素预分割,然后提取基于超像素的HOG特征、Lab颜色特征和空间位置特征,设计基于超像素的多特征度量算法,最终采用图割理论实现了基于超像素多特征融合的快速图像分割.实验结果验证了本文算法的有效性,其算法性能接近于目前最经典图像分割算法,且本文算法的时间性能要明显优于其它对比算法.     

一种提取单像素边缘的方法

在对图像进行边缘提取时,水平和垂直的边缘一般通过简单的Soble算子就能够提取出它的单像素边缘,但是对于倾斜的或其他形状的边缘用简单的Sobel算法就很难提取出它的单像素边缘。本文提出了一种基于新的Soble算子改进算法来提取倾斜一定角度的单像素边缘。首先,通过引入衰减因子对原灰度图像进行处理,先后利用8个模板的Sobel算子得到一个边缘图,然后利用统计学的方法,统计边缘图像每一行的灰度最大值,最大值所在的位置就是单像素的位置。通过实验验证,利用本文的算法能够将倾斜一定角度的边缘提取出其单像素点。     

车牌图像特征提取及改进神经网络的识别算法研究

针对车牌字符图像进行特征提取与识别算法的研究。使用BP神经网络识别算法建立车牌字符图像的识别。由于常规BP神经网络算法本身存在训练过程容易陷入局部最小值、收敛效率低以及网络结构参数不易确定等缺点。另外,BP网络结构参数的选取对算法的性能影响很大,而参数的选取通常是根据经验公式选取的,存在很大的随机性和盲目性,使算法的性能无法得到保证。因此该文使用收敛速度快、适用于全局搜索的PSO优化算法对BP神经网络算法的性能进行优化,研究一种双粒子群优化的改进BP神经网络算法。最后通过车牌识别实验对识别算法进行研究,结果表明,通过对神经网络算法进行改进,使用其建立汉字识别模型、字母识别模型以及混合识别模型的识别准确率均优于常规神经网络算法建立的模型,具有较好的识别性能。