基于小波变换的图像过渡区提取与分割

复杂背景下目标的准确分割是自动目标识别中的关键技术之一。该文将基于过渡区提取的图像分割技术应用于自然纹理场景的图像分割,提出了基于小波变换的过渡区提取与分割算法,克服了以往过渡区直接提取方法的不足。实验结果表明,该方法用于自然纹理场景下的目标分割具有很好的分割效果。     

基于深度学习算法的铁路货车关键部件故障检测

为避免关键部件故障带来的铁路货车运行安全隐患,提出基于深度学习算法的铁路货车关键部件故障检测方法。使用货车故障动态图像检测系统采集铁路货车关键部件故障图像,采用主成分分析算法提取故障图像的特征向量,利用基于深度置信网络的关键部件故障检测方法,深入分析网络基本原理和结构,将提取的特征向量作为网络的输入数据,通过网络预训练和参数更新实现铁路货车关键部件故障检测。实验结果表明：该方法能精准获取铁路货车关键部件故障图像,且较为清晰;提取的各类型关键部件故障特征均未出现重叠现象,可分性良好;不同类型关键部件故障误检率和漏检率分别低于9%、5%;不同噪声水平下,各类型关键部件故障检测平均绝对误差始终在0.3以下。     

基于区域增长算法的足球运动轨迹识别研究

该文概括介绍了图像的预处理技术和图像分割技术,结合足球射门运动图像的特点,提出了对足球进行识别和提取的方法,即对图像进行预处理,基于阈值进行背景消除,以减少噪声和背景的干扰,再使用区域增长法进行目标提取。基于区域增长算法,足球运动轨迹识别和捕捉成为可能。     

一种基于图像的植物器官重建

该文提出了一种基于植物器官图像的器官重建方法,系统实现步骤包括:图像预处理、轮廓的提取、二值化、细线化、矢量化、三角剖分,从而实现器官的重建。文章以叶为例,实现了叶可视化重建。系统考虑叶图像的特点,设计了优化的轮廓提取算法;并对Hilditch细线算法进行改进,提出了一种快速细线化算法。文章提出的器官重建方法可用于多种植物模型(如L系统)的器官外观建模;由于采用基于图像的技术,系统具有逼真的外观效果,实现了植物器官快速可视化重建。     

Snake模型初始轮廓选取的研究

针对Snake模型处理复杂背景图像时的初始轮廓自动选取问题,该文采用分水岭算法先对图像进行分割,并将得到的边界作为Snake模型的初始边缘轮廓。由于分水岭算法具有将目标物体从复杂背景中分割开来的优点,使得在应用Snake模型对复杂图像进行分割时减少了人工的干预。经过实验对比,采用分水岭算法对玉米秸秆图像进行边缘轮廓的提取能达到较好的效果,为自动进行Snake模型的计算提供了一种较好的初始轮廓处理方法。     

基于灰度图像的车牌字符提取算法研究

本文提出了一种基于灰度图像的车牌字符提取算法,该算法利用Canny算子提取车牌灰度图像中的字符。车牌字符提取后,采用迭代分割法求出最佳阈值对图像进行阈值化处理,结合形态学方法填充字符中的空隙。在VisualC＋＋6.0编程环境下进行了算法实现,实验结果表明,与传统的字符提取算法相比,该算法不仅具有较强的字符提取能力,明显降低噪声对检测结果的影响,而且字符边缘的连接较好,为后期车牌字符的识别提供了技术基础。     

基于内容的图像检索(CBIR)中图像颜色特征提取方法的研究和改进

该文给出了一种基于颜色分布直方图借助四叉树图像分割进行图像检索的方法,该方法使用与人类视觉感知相符合的HSV颜色模型,通过构造四叉树借助MeanShift算法对图像进行分割,提取出特征颜色,得到颜色分布的直方图。最后利用EMD算法衡量图像与图像之间的距离,实现图像的搜索。     

基于改进粒子群算法的图像闭值分割方法

针对图像提取问题,最优阈值选取是否合理对图像分割效果至关重要。在处理不同种类图像区域时,粒子群算法(PSO)由于早熟现象难以准确计算最优分割阈值,因此导致图像分割准确率低。为了提高图像分割准确率且准确地提取出图像目标,提出一种基于混沌粒子群算法(CPSO)的图像阈值分割方法。受益于混沌运行的遍历性、对初始条件的敏感性等优点,CPSO很好地解决了PSO的粒子群过早聚集和陷入局部最优等难题,加快了全局搜索最优解的能力。采用具体图像对CPSO算法图像分割性能进行仿真实验,结果表明,相比于其它图像分割算法,CPSO不仅加快了运算速度,提高了图像分割效率,而且提高了图像分割准确率,非常适合于图像实时分割处理。     

基于细胞神经网络的灰度图像边缘提取

针对细胞神经网络(cellular neural network,CNN),研究了图像边缘提取的过程,给出算法流程,阐述了算法实现过程中的几个关键步骤.对二值图像和灰度图像,分别采用基于CNN的算法和传统算子(prewitt、sobel、canny)进行边缘提取,定性分析比较了两类算法在性能上的优劣.实验结果表明,基于CNN的算法在硬件实现上能够高速并行计算,而且处理速度与图像大小无关,能够实现图像实时处理.     

基于去降Mallat离散小波变换的彩色图像分割

该文针对Mallat快速离散小波变换,提出了一种利用变换平移不变性的离散小波变换的彩色图像分割方法。首先对原始图像进行平移不变性的小波变换,然后提取颜色和纹理特征,并采用k均值算法进行分割。实验表明该方法对纹理图像和彩色自然图像都具有较好的分割效果。     

基于结构光原理的铁路货车超限检测算法研究

铁路货车装载实际轮廓尺寸是否超出铁路运输限制界限直接影响到货物列车的运行安全。为此提出一种依据结构光原理实现铁路货车超限检测的新算法，对其中的关键问题——坐标系的建立与转换做了较详细的介绍，最后给出算法的实现过程。     

超限货物运输列车异物侵入数据智能检测仿真

对超限货物运输列车侵入异物进行智能检测,能够有效降低超限超重货物运输事故的概率,对保障铁路货运安全具有重要意义。针对当前超限货物运输列车图像异物侵入检测方法受到采集频率的影响,列车高速行驶时,异物侵入检测易存在漏检的情况,提出基于背景差分和形态学腐蚀操作的超限货物运输列车异物侵入数据智能检测方法。针对超限货物运输列车运行场景抖动特点,设计抖动补偿算法,消除超限货物运输列车图像抖动的像素部分。通过背景差分算法获取超限货物运输列车图像背景,再利用背景帧与当前帧的差分获得二值图像,最后对所得二值图像进行形态学腐蚀膨胀操作和阴影消除,获取异物侵入目标区域。实验结果表明,所提方法可准确检测出超限货物运输列车侵入异物,对保证铁路运输具有重要的现实意义。     

区域生长的轮对图像分割

轮对作为列车的重要组成部分,其踏面磨耗参数的在线检测对保障轨道交通安全具有重要意义。在基于光截图像测量技术的轮对外形尺寸动态检测中,能否获取完整的轮对轮廓图像至关重要。针对轮对图像特点,提出一种基于区域生长的轮对图像分割新算法。该算法根据不同情况下轮对图像特点,通过基点位置选取恰当的种子点,并确定合适的生长准则。经过区域生长,有效地提取轮对轮廓图像。通过大量图像验证,该算法分割结果图的交迭面积比大于80%,误分面积比小于0.02%。可以在多种情况下有效地提取轮对轮廓曲线,具有良好的抗噪能力。     

基于分割块的图像语义分割方法

针对复杂室外环境下,传统语义分割模型无法准确描述对象轮廓的问题,提出了采用结构森林法生成边缘概率,运用分水岭算法将边缘概率转化成初始割块.为避免过分分割,利用超度量轮廓图算法选取适当阈值生成分割块以获取更准确的轮廓信息,通过随机森林训练分割块,得到语义分割结果.实验结果表明:在处理复杂的语义分割任务时,基于分割块的方法在精度、鲁棒性和速率方面均具有良好表现.     

基于U-net的海马体分割算法应用

为促进阿尔兹海默症的诊断及治疗,实现对海马体的精确分割,针对海马体MRI图像,提出一种基于U-net模型改进的分割算法。使用CLAHE等对原始图像进行预处理,经处理后的图像有效提高了分割效果;将残差模块加入实现分割算法的卷积网络,增强网络性能,避免网络性能退化。对原始数据集进行扩充,将扩充后的样本数据用以训练网络,解决数据量的问题。实验结果表明,该算法在脑部MRI图像中对海马体实现了良好的分割效果,能较好辅助医生诊断。     

一种新的货运列车车号分割算法

在对现有的货运列车车号分割算法及相关字符分割算法对比研究的基础上,文中提出并实现了一种新的货运列车车号分割算法。根据上下轮廓特征初步确定车号字符串图像的候选分割位置,然后根据字符尺寸比例和数字的弧特征,对断裂字符进行合并和对粘连字符进行再分割。该方法巧妙地避免了传统的投影分析分割法中处理粘连字符的难题,也避免了噪声对连通域的影响。与传统方法相比,具有较好的鲁棒性,达到了较高的精度和运行效率,为整个车号识别系统的精确性和稳定性提供了保障。     

模糊B样条基神经网络磁共振图像分割方法

针对磁共振图像分割的特点,提出了一种基于模糊B样条基神经网络的磁共振图像分割方法。该方法采用B样条基函数作为模糊隶属函数,利用神经网络实现模糊推理,并采用反向误差传播算法对网络进行训练。实验结果表明,这种基于模糊B样条基神经网络的磁共振图像分割方法与普通神经网络分割方法相比,具有更高的分割精度和更快的训练收敛速度。     

基于改进神经网络的火车票号识别算法研究

为提高火车票识别精度和效率,将图像处理技术和BP神经网络结合,提出了一种基于图像处理和BP神经网络的火车票号识别算法.首先,通过图像预处理、目标区域的定位、二值化、倾斜校正和字符分割,提取火车票的身份证号码特征信息,建立特征信息库;之后,将特征信息库作为BP神经网络的输入,数字和字符类别作为BP神经网络的输出,建立BP神经网络的火车票号识别模型.研究结果表明,与模板匹配和SVM相比,提出的方法可以有效提高火车票号的识别精度和效率,识别精度高达97.7％,从而为火车票号识别提供新的方法.     

Color texture segmentation based on image pixel classification

Image segmentation partitions an image into nonoverlapping regions, which ideally should be meaningful for a certain purpose. Thus, image segmentation plays an important role in many multimedia applications. In recent years, many image segmentation algorithms have been developed, but they are often very complex and some undesired results occur frequently. By combination of Fuzzy Support Vector Machine (FSVM) and Fuzzy C-Means (FCM), a color texture segmentation based on image pixel classification is proposed in this paper. Specifically, we first extract the pixel-level color feature and texture feature of the image via the local spatial similarity measure model and localized Fourier transform, which is used as input of FSVM model (classifier). We then train the FSVM model (classifier) by using FCM with the extracted pixel-level features. Color image segmentation can be then performed through the trained FSVM model (classifier). Compared with three other segmentation algorithms, the results show that the proposed algorithm is more effective in color image segmentation.     

基于稀疏主成分分析和自适应阈值选择的图像分割算法

图像分割是机器视觉中的基础问题,基于阈值的图像分割算法依赖于参数调整,但参数调整容易受到局部最小值的影响且需要耗费大量时间,从而降低了分割算法的质量和效率。为了实现图像分割过程中的自适应阈值选择,提出了一种基于稀疏主成分分析和自适应阈值选择的图像分割算法。该算法首先利用稀疏主成分分析感知图像的噪声水平以自适应去噪,其次通过二维直方图感知图像的主干区域内容以自适应获得全局分割阈值,然后通过移动平均法的局部阈值分割算法对图像进行分割,最后将全局阈值分割和局部阈值分割图像结合,从而获得最佳的分割图像结果。在伯克利数据集上的仿真实验结果表明:相比传统的阈值分割算法,该算法在分割边缘的准确性和对噪声的鲁棒性上具有一定的优势,在主客观上均具有较好的分割效果,基于稀疏主成分分析的自适应阈值选择方法提高了图像的分割质量。