基于图像的产品缺陷特征提取方法

在基于图像的工业产品缺陷检测中,多为非均匀背景的高像素图像,传统的图像分割方法难以将缺陷目标快速从图像背景中分离出来．本文提出一种从非均匀背景中分离目标的新方法：首先,对原始图像进行栅格采样,将各采样点组成一幅小的图像;接着,对该图像应用GLPE进行滤波和平滑,以消除目标对背景的影响,接着应用Facet模板按原取样值对该图像插值进行二次平滑,从而得到背景图像;最后,将原始图像减去背景图像即得到目标图像．实验结果表明,该方法与传统图像分割法相比,对缺陷特征的识别更准确,目标提取速度更快,可以显著提高产品缺陷的检测效率．     

一种改进的二值图像像素标记算法

像素标记算法是图像处理中提取目标特征量的一种有效方法．分析了一般像素标记算法的不足,提出一种改进的像素标记算法．该算法无需对图像进行预处理,针对二值图像中像素分布的特点,仅需对图像进行一次扫描,通过特殊的目标边界像素标记,就能收集足够的信息,经过一定的分析处理即可得到图像中目标的准确计数和边界信息．由于准确的目标计数是目标特征量提取的关键,在此基础上即可方便快捷地获得目标的面积、周长和质心坐标等参数,便于图像的后续处理．计算机模拟结果表明该算法具有很强的通用性,且因为仅需一遍全图扫描使其分析速度大大提高,可以广泛应用于图像分割领域．     

基于红外特征与区域相似的图像融合算法

为了提高图像融合算法的速度，改善融合图像的质量．提高观察者对场景的认知能力，提出了一种介于像素级融合与特征级融合之间的基于红外特征和区域相似的图像融合方法．该方法利用目标的红外特征对红外图像进行目标区域分割。从而实现对目标区域和背景区域的分别融合；同时利用图像的结构相似度对源图像中的目标区域进行相似判定，并利用不同的融合规则对冗余区域和互补／冲突区域分别进行融合．与目前常用的基于多分辨率分解的图像融合方法相比，它既充分利用了目标的红外特征和可见光图像的细节信息，更好地对图像中亮暗相反的区域进行了处理．改善了融合效果，又提高了运算速度．     

基于多尺度Retinex彩色图像增强和闭合边缘提取方法的研究

提出了采用多尺度Retinex突出图像中阴暗区域的信息，采用Canny算子提取边缘，编制程序提取图像中的阴暗区域，将原图像阴暗区域的像素替换成多尺度Retinex增强图像的像素。得到融合后的图像比原图像在阴影区域显示出更丰富的信息。进而对遥感图像进行深入研究，以埃及Giza金字塔中最大的Khufu金字塔阴影的几何分析，确定太阳光的照射方位、仰角以及观察点的方位与俯视角等信息。描述的半自动提取特征信息融合彩色图像的技术，在遥感图像地物信息提取中具有十分重大的意义。     

基于目标图像的提取与测量

通过对图像进行灰度处理和二值化处理,提取目标图像及其边界,并测量所提取目标图像的总面积及目标图像各斑块的面积和周长,由此研究其分布规律与分布密度,并在测量的基础上对目标图像斑块进行统计,得到一定面积或周长范围内目标图像斑块的个数,为相应的研究提供定量分析.     

基于目标形状特征和纹理特征的迭代配准方法在颈动脉血管中的应用

为了实现颈动脉血管的高精度配准,进而可以计算出颈动脉血管的位移场,提出了一种基于 目标形状特征和纹理特征的迭代配准的方法,这在医学诊疗中具有重要意义． 目标图像的匹配可以 通过提取形状轮廓,利用形状上下文信息实现; 与此同时,SIFT 特征在目标匹配时具有很好的鲁棒 性,图像间的稠密对应关系可以利用图像中逐像素的SIFT 特征来建立． 将二者相结合可以达到一 个很好的配准效果,进一步利用迭代的思想,配准精度再次得到提高． 配准颈动脉血管的实验结果 证明了其具有很好的鲁棒性,并且在精度上超越了传统的配准方法,在时间上也具有可接受的 水平．     

一种基于谱估计的被动声呐目标识别方法

为解决被动声呐目标的特征提取与识别问题，通过对被动声呐目标噪声频谱特性的深入分析，给出了一种基于Welch谱估计的目标特征提取方法．对提取出来的特征采用动态规划的方法进行特征选择，得到用于识别的特征向量．对海上实录的多种型号和多种工况的大量噪声样本进行了特征提取和特征选择．采用BP神经网络和最近邻法对噪声样本进行了分类识别实验，结果证实了所提方法的可行性和有效性．研究结果可以用于被动声呐目标识别．     

抗模糊的图像局部特征描述子

针对提取图像局部特征时,尺度不变特征变换描述子对光照条件变化仅有部分不变性,特别对非线性光照变化不具备不变性,对模糊的目标图像也无法准确提取或仅能提取到很少特征点的问题,利用局部二值模式描述子对光照的健壮性提出了一种符合人类视觉系统的自底向上再到自顶向下的视觉认知过程的新的抗模糊的图像局部特征描述子。实验表明,所提出的描述子对光照变化有更好的健壮性,对模糊的目标图像能准确地提取出更多的特征点,保留了尺度不变特征变换对缩放、旋转和压缩等变换的不变性,并显著地提高了针对模糊图像的匹配率。     

结合闭合解抠图及最小生成树的图论分割算法

针对图像目标物体与背景边界交错在一起或两者之间边界不明晰以及背景与目标纹理相似的情况,进行图像分割非常困难．为此,提出了一种基于图论(graph theory)及闭合解抠图思想的图像分割算法．首先,利用闭合解抠图算法对图像进行预分割,粗糙地将图像分为前景和背景两部分;其次,提取目标及背景的细节,再分别用改进的图论分割算法细分割目标物体及背景,从而得到最终图像分割结果．实验结果表明,抠图算法避免了前景和背景的混叠,改进的图论算法可有效提高6％～12％的分割精度．与传统的区域合并、通常的图论及阈值算法相比,该算法精度高、效果好,具有显著优越性．     

基于区域分割与提升小波变换的图像融合算法

针对精确制导武器系统中,利用传统方法获取的融合图像使得红外目标模糊、识别率低、定位性差及不能继承可见光图像色彩特性而出现光谱扭曲与失真的现象,提出了一种基于区域分割和提升小波变换的红外与可见光图像融合方法。首先结合区域生长与边缘提取图像分割法,将红外图像背景区域与目标区域分开;其次采用像素邻域能量取大法,将红外目标区域映射到可见光背景中;最后将上步得到的融合图像与原图像进行低频加权,高频平均梯度的提升小波融合变换,防止因图像分割所形成的拼接错误而导致重要信息丢失现象。实验结果表明:融合后的图像,目标凸显,背景自然,能够达到准确定位与快速识别的目的,并对隐藏目标的检测有着重要的指导意义。     

旋转复杂背景中红外运动小目标实时检测

针对旋转复杂背景中红外运动小目标检测误检率高、实时性差等问题,提出了目标检测新算法。首先对图像进行中值滤波预处理,计算图像光流场,提取特征点,估算背景光流;然后设置阈值,判断提取备选目标特征点集合;最后通过特征点光流矢量角度、目标灰度值区间、目标特征点区域边缘检测的方法,排除备选目标特征点集合中的背景特征点,实时准确检测旋转复杂背景中红外运动小目标。实验结果表明,该算法能够准确地检测出红外多个运动小目标,检测率93.8%,平均虚警率0.126次/帧,平均每帧耗时15.53 ms,每帧图像处理的最大时间为20.45 ms,能够满足运动目标检测对实时性的要求。     

利用超像素混合投票的在线目标跟踪算法

针对复杂场景下目标跟踪中目标出现的外观特征变化和遮挡问题,提出一种结合超像素和广义霍夫变换的在线实时目标跟踪算法.该算法从上下文中提取局部特征作为支持因子,构建一个混合的判别产生式对象模型.利用该模型,通过霍夫投票预测目标的中心位置,再通过判别式投票对目标和背景进行概率估计.对图像进行超像素分割,将之前的投票结果映射到对应的超像素,生成基于超像素的概率分布图像.采用贝叶斯跟踪框架,根据后验概率最大化,在概率分布图像基础上确定目标的位置.实验表明,该算法在复杂环境下目标跟踪的过程中对目标发生的形变和遮挡现象有很强的鲁棒性,能够实现准确稳定的在线目标跟踪.     

视频监控系统中的多摄像头跟踪优化设计

针对分布式广域视频监控系统,提出了一种基于多摄像头融合的跟踪优化方法.该跟踪优化算法根据目标优先级和目标在各个摄像头中的遮挡状态及其分割图像大小进行数据加权融合,优先分配高优先级目标给具有最佳权值的摄像头进行跟踪,并动态平衡各个摄像头的跟踪负载,将跟踪负载过重的摄像头中的低优先级目标分配给其他摄像头进行跟踪.为了有效地建立重叠摄像头之间目标的对应关系,对于摄像头远离监控地平面和目标的场景,通过摄像头监视背景图像之间的SIFT特征匹配自动生成对应点,利用这些对应的关键点确定重叠摄像头之间的单应性变换矩阵参数,再根据目标质心坐标之间的单应性变换进行一致性匹配;对于摄像头近邻监控地平面和目标的场景,通过目标分割图像之间的SIFT特征进行一致性匹配.实验结果表明:该方法能有效地实现广域监控场景中多摄像头的协同跟踪,达到了较高的跟踪性能.     

不同光照和姿态下的航拍车辆检测方法

为了解决在不同光照和姿态下的航拍车辆检测准确度低的问题,基于Fourier-HOG算法提出了一种航拍车辆检测方法。该方法是基于滑动窗口的检测方法。首先,在处理过程中引入图像预处理,可以将背景区域进行有选择的剔除,大大节省检测时间和降低虚警率;其次,提取航拍图像基于局部敏感直方图的光照不变性特征;然后,再提取旋转不变的Fourier-HOG特征。将此特征在线性支持向量机中对车辆目标与非车辆目标进行分类。在后续处理阶段,引入非极大值抑制来降低误检目标。实验结果表明：所提出的车辆检测方法在谷歌地图数据集上进行测试,其检测准确度较高,且时间消耗低于原始的Fourier-HOG检测方法,该方法是一种较为有效的航拍车辆检测方法。     

一种基于改进RT-MDNet的全景视频目标跟踪算法

为了解决全景视频目标跟踪过程中,由于光照条件变化、相似背景干扰、目标运动时产生的形变和尺度变化等因素的影响,在跟踪中会出现目标漂移、目标丢失等情况,进而导致目标跟踪算法成功率低,鲁棒性差等问题,提出一种基于长短期记忆网络和改进Real-Time MDNet网络的全景视频目标跟踪方法.算法首先采用浅层卷积神经网络提取特征,并利用自适应的RoIAlign减少特征提取过程中的像素损耗,而后运用目标特征在线更新最后一个全连接层的权重,在全连接层中实现前景背景分离并提取出目标区域,然后通过长短期记忆网络自适应地选取目标框的尺度,最终输出目标位置信息.实验结果表明:单目算法应用在全景数据集时,难以适应全景中的尺度变化和背景变化,改进算法利用3层长短期记忆网络构建的尺度预测模块,可以有效地应对全景数据存在的尺度变化和目标形变问题,在保持较好的跟踪精度的同时,可以有效地应对目标跟踪中出现的小目标、目标遮挡、多目标交叉运动的情况,获得更好的视觉效果和更高的重叠率得分.     

Novel SAR target detection algorithm via multiple features

A detection method for SAR targets based on combining multiple features is proposed. The targets of interest are detected according to the physical properties, which reflect the true characteristics including scattering intensity, size and differences from the clutter. By analyzing these characteristics, the size and boundary changes are determined as effective features. The image background, natural clutter, man-made clutter are eliminated in sequence using the developed detection algorithm, which contains two layers, namely, the initial target detection layer and the potential target identification layer. Effective features ensure that a smaller number of features are used to meet the precision of the target detection, and the discrimination detection method ensure that the probability of false alarm is reduced gradually with the increased complexity of the feature extraction. Comparison with traditional target detectors, such as CFAR, PCA, etc. is performed in detail. Experimental results show the superiorities of the proposal in both accuracy and efficiency.     

小波变换在图像匹配技术中的应用研究

针对单一图像匹配算法抗噪声能力和抗几何形变能力差、以及计算量较大等问题,提出一种基于小波变换后图像统计特征的图像匹配识别算法.利用小波对图像进行多个尺度的二维小波变换,分析反映图像在不同尺度和不同方向上能量分布情况,通过计算统计特征量和标准图库中图像统计特征量之间的夹角,确定待识别目标,利用该方法对图书条形码进行识别.研究结果表明:采用小波变时频特性对图像进行去噪处理以及边缘检测,能够剔除图像噪声干扰并充分保留原始图像信息;将小波变换后的近似系数、水平、垂直和对角部分的细节系数作为统计特征量,提取的特征量跟模板图像的统计特征量进行相似度匹配,将两个特征向量的夹角余弦作为相似度的衡量指标,根据夹角余弦的大小确定该区域是否目标区域.     

相关跟踪算法在水下高速运动体识别中的研究

针对水下高速运动体试验图像背景灰度分布不均、信噪比低、对比度下降明显以及图像效果差等缺点,采用一种基于特征相关系数作为相似性度量准则的相关跟踪方法,克服了传统算法易受图像中噪声、局部遮挡等因素影响的缺点,该算法相对于传统算法计算量降低,提高了系统的运算速度.帧间图像像素变化率快,因此仅仅用某种固定的模板进行相关跟踪容易导致失配甚至失去目标,进而又提出一种行之有效的模板更新方法,使得跟踪算法对环境的适应能力和稳定性得到较大提高.实验结果表明,该算法跟踪精度高、速度快、稳定性好,满足实时性系统的要求.     

基于矩形扩张的ROI区域标记算法

为了满足实时性的要求,在运动目标检测与跟踪领域引入感兴趣区域(Region of Interest,ROI)的概念,提出了基于矩形扩张的ROI区域标记算法.通过与传统算法比较发现,矩形张算法具有较高的效率和准确度.实现结果表明:矩形扩张算法能够快速准确地对二值图像中的运动目标区域进行标记,实现运动目标与复杂背景的分离,进而提高运动目标跟踪的效率.     

结合道路结构化特征的语义SLAM算法

视觉SLAM(simultaneous localization and mapping)是智能车辆领域的研究热点,在包含运动目标干扰或近景特征不显著的场景中,容易产生帧间位姿估计结果精度不足或失效问题.为此,本文提出一种结合场景语义信息和路面结构化特征的SLAM算法.首先,针对上述特殊场景中运动目标干扰的情况,设计带有改进金字塔池化模块的语义分割神经网络,得到图像中各像素对应的目标类别,作为剔除运动像素点的依据,从而避免运动点参与特征匹配导致的位姿计算准确性下降问题;然后,针对有效近景特征点不足的情况,基于V视差算法确定图像中的道路平面区域并拟合出精确的视差方程,以计算路面上像素点的精确视差值,并提出一种基于路面结构化特征(车道线、马路边界、路面交通标记等)的位姿计算方法;最后通过场景实验得出,本文提出的改进算法计算结果的绝对轨迹误差小于原算法.证明该方法能够在存在运动目标干扰或缺乏近景特征的场景中具有较高的位姿估计精度,建立了有效的包含语义信息的稠密点云地图,具有良好的环境适应性.