基于改进二维图像重建算法的工业CT系统

基于对工业CT图像二维重建算法的研究，结合傅立叶切片理论和迭代算法，提出了修正的二维投影重建算法，大大减少了计算量，提高了抗噪性，得到了清晰、准确的断层图像，通过VC++设计开发了工业CT图像处理软件系统，使重建图像的质量得以提高，为试验数据提供了更方便和系统的管理，实现了工业CT图像缺陷判断的计算机自动化检测。     

一种工业CT图像的分割算法

文章根据工业CT图像的特点,提出了一种适用于工业CT图像分割的算法。该算法是一种结合数学形态学和CANNY算子边缘检测的图像分割算法。实验结果表明:该算法能有效地提取出实际工件的轮廓,并将实际工件的CT图像从CT切片中分割出来。     

基于最小区域的快速CT图像重建

由于工业CT重建目标的形状差异较大,针对传统CT图像重建算法均选取矩形重建区域,提出一种基于最小区域的图像重建方法.首先由扫描到的投影数据通过直线生成算法构建重建目标的最小区域包络图;然后提出一种快速区域填充算法,生成图像重建的最小区域.该方法将重建区域限定在最小区域内,减少了不必要的计算,提高了重建速度.最后通过仿真实验与传统的重建方法进行比较,表明了文中方法的有效性.     

工业CT窄角扇束卷积反投影图像重建

高能X射线工业CT机的图像重建属窄角扇束扫描方式下的图像重建。文中提出并讨论了基于卷积反投影图像重建算法的窄角扇束扫描方式下的图像重建，并针对窄角扇束扫描方式下的两种不同步距的同步平移方式，给出不同的卷积反投影图像重建算法，对高能X射线工业CT机的图像重建有指导作用。     

CT图像重建滤波反投影析算法的精度研究

CT是常被用于医学和工业领域的计算机断层成像技术,这是一种优质无损诊断技术,即利用投影数据重建物体断层图像。对于精密部件的检测在图像重建无损检测应用中需要有更高的精度要求,CT应用中期待解决的关键问题是怎么样能直接重建出满足工程目标的CT图像。本文就系统地深入地研究了解析式图像重建算法的精度。在重建算法中滤波反投影（FBP）算法是解析法的根本,所以本文以该算法的实现,利用定积分数值计算方法,根据反投影的特点,提出了基于辛普生公式的精确反投影方法。     

基于边缘信息的工业CT图像分割法

由于CT技术各方面的原因，工业CT扫描测量图像质量不是很理想。要获得精确的测量数据，必须进行准确的图像分割。该文采用多尺度二维小波变换模极大值作为分裂合并图像分割的一致性度量，采用四叉树结构作为图像块的初始划分，设置合适的门限值抑制噪声的干扰并提取出图像边缘信息。实验证明，对于皮鞋内嵌的CT测量图像该算法比常规的算法更理想，能够准确分割出皮鞋的内外腔边缘。     

一种三维CT图像中的线状目标检测方法

当前三维CT图像广泛应用在工业和医学中, 对于工业无损检测和医学上的病灶分析具有重要的研究意义。线状目标广泛存在于医学和工业的CT图像中, 为了实现三维空间中线状目标检测, 传统的直线检测方法有Hough和Radon变换, 但是计算量很大, 而且不适合曲线检测, 对于三维图像来说, 计算更为复杂。因此提出一种基于距离变换, 并通过端点和拐点检测提取线状目标检测算法, 不仅对于直线目标有较好的检测效果, 对特定曲线也有较好的检测结果, 而且通过检测距离变换的距离, 自动地检测线状目标的粗细尺度属性。实验证明, 该方法具有较好的检测结果。     

工业CT图像的亚像素级面积测量

为了提高工业CT图像测量的精度,研究了一种基于Facet模型的亚像素级面积测量方法,并将其应用于实际的工业CT图像测量中。首先采用基于Facet模型的边缘检测算法提取亚像素边缘,然后通过最小距离搜索法分离出待测目标的边缘点并排序,最后利用离散化的格林公式计算面积。其中,基于Facet模型的边缘检测算法精度高、抗噪声能力强,能为后续基于边缘的测量提供高精度的数据;最小距离搜索法在浮点型边缘点上实现了待测目标边缘与整幅图像边缘的分离,并生成排序链码,克服了边缘点是浮点型且不连续的困难,给面积的计算提供了有效的数据。测量方法是在亚像素边缘上进行的,突破了图像分辨率对测量精度的限制,使在低分辨率的图像上实现高精度的测量成为可能。分别针对仿真图像和实际的工业CT图像进行了实验,实验结果表明该方法的测量精度高于普遍采用的像素累加法。     

基于最小圆柱区域的锥束CT快速图像重建

传统锥束CT通常选取立方体或其内切圆柱作为图像重建的区域,因此考虑到工业CT重建目标尺寸差异较大的特点,提出了一种基于最小圆柱区域的快速三维图像重建方法。首先由不同视角下的锥束投影数据通过直线扫描转换算法构建重建目标的最小区域包络图;然后通过区域填充方法来进一步确定最小区域包络;在此基础上,采用中点圆算法得到最小圆柱区域的半径。该方法能够根据重建目标的尺寸自适应地确定最小圆柱重建区域,从而减少了不必要的计算。实验结果表明,该方法有效地提高了ART算法的重建速度,同时取得了较好的重建质量。     

工业CT窄角扇束卷积反投影图像重建

高能X射线工业CT机的图像重建属窄角扇束扫描方式下的图像重建.文中提出并讨论了基于卷积反投影图像重建算法的窄角扇束扫描方式下的图像重建,并针对窄角扇束扫描方式下的两种不同步距的同步平移方式,给出不同的卷积反投影图像重建算法,对高能X射线工业CT机的图像重建有指导作用.     

融合前景判别和圆形搜索的目标跟踪算法

针对运动目标在发生遮挡、形变、旋转和光照等变化时会导致跟踪误差大甚至丢失目标以及传统跟踪算法实时性差的问题,提出了一种融合前景判别和圆形搜索（CS）的目标跟踪算法。该算法采用了图像感知哈希技术来描述与匹配跟踪目标,跟踪过程使用了两种跟踪策略相结合的方法,能够有效地解决上述问题。首先,根据目标运动方向的不确定性和帧间目标运动的缓慢性,通过CS算法搜索当前帧局部（目标周围）最佳匹配位置;然后,采用前景判别PBAS算法搜索当前帧全局最优目标前景;最终,选取两者与目标模板相似度更高者为跟踪结果,并根据匹配阈值判断是否更新目标模板。实验结果表明,所提算法在精度、准确率和实时性上都比MeanShift算法更好,在目标非快速运动时有较好的跟踪优势。     

基于视觉感知的运动目标跟踪算法

针对运动目标跟踪问题, 为解决跟踪过程中因遮挡、目标尺度变化等易造成跟踪失败的现象, 提出一种基于视觉感知的跟踪算法。该算法以神经元响应为视觉特征, 首先从自然图像中学习初级视皮层细胞感受野; 然后计算背景图像和视频序列图像的神经元响应并得出差值, 与动态阈值比较, 识别出运动目标, 通过迭代实现目标跟踪。多类别实验结果表明, 该算法实现了运动目标稳定跟踪, 目标跟踪准确率达93. 5%且鲁棒性增强, 与典型算法Camshift和SIFT相比, 提高了跟踪算法的准确性和鲁棒性。     

基于镜像MeanShift的遮挡目标跟踪算法

针对当目标跟踪过程中目标被全遮挡时易导致目标跟踪不精确、甚至丢失目标的问题,提出一种基于镜像Mean Shift的遮挡目标跟踪算法.当前后帧Bhattacharyya系数匹配度大于等于80%时,表示目标没有被遮挡,采用颜色特征和轮廓特征定位目标,利用分块沙包窗核函数实现尺寸自适应;当前后帧Bhattacharyya系数匹配度小于80%时,表示目标进入遮挡区域,则利用先验训练分类器和镜像原理对遮挡区域目标的位置和尺寸大小进行预测;当前后帧Bhattacharyya系数匹配度再次大于等于80%时,表示目标离开遮挡区域,则转换为Mean Shift跟踪.实验结果表明:所提算法与子区域分类器的在线Boosting算法和多视角多目标协同追踪算法相比,在目标全遮挡的情况下能更好地跟踪目标,提高了跟踪精度和鲁棒性,且满足实时性要求.     

基于非对称沙漏网络结构的目标检测算法

基于无锚框深度学习的目标检测是一种主流的单阶段目标检测算法。融合多层监督信息的沙漏网络结构能够显著提升无锚框目标检测算法的精度,然而其速度却远低于同层次的普通网络的速度,并且不同尺度目标间的特征会互相干扰。针对上述问题,提出了一种非对称沙漏网络结构的目标检测算法。该算法在融合不同网络层的特征时不受形状大小的约束,能够快速高效抽象出网络的语义信息,使模型更容易学习到各种尺度之间的差异。针对不同尺度目标检测问题,设计了一种多尺度输出的沙漏网络结构用来解决不同尺度目标间特征互相干扰的问题,并精细化输出的检测结果。另外,针对多尺度输出使用了一种特殊的非极大值抑制算法以提高检测算法的召回率。实验结果表明,所提算法在COCO数据集上的AP50指标达到61.3%,相较于无锚框网络CenterNet提升了4.2个百分点。所提算法在精度与时间的平衡上超越了原始算法,尤其适用于对工业场景的目标进行实时检测。     

基于非对称沙漏网络结构的目标检测算法

基于无锚框深度学习的目标检测是一种主流的单阶段目标检测算法。融合多层监督信息的沙漏网络结构能够显著提升无锚框目标检测算法的精度，然而其速度却远低于同层次的普通网络的速度，并且不同尺度目标间的特征会互相干扰。针对上述问题，提出了一种非对称沙漏网络结构的目标检测算法。该算法在融合不同网络层的特征时不受形状大小的约束，能够快速高效抽象出网络的语义信息，使模型更容易学习到各种尺度之间的差异。针对不同尺度目标检测问题，设计了一种多尺度输出的沙漏网络结构用来解决不同尺度目标间特征互相干扰的问题，并精细化输出的检测结果。另外，针对多尺度输出使用了一种特殊的非极大值抑制算法以提高检测算法的召回率。实验结果表明，所提算法在COCO数据集上的AP50指标达到61.3%，相较于无锚框网络CenterNet提升了4.2个百分点。所提算法在精度与时间的平衡上超越了原始算法，尤其适用于对工业场景的目标进行实时检测。     

基于自适应特征融合的粒子滤波目标跟踪算法

提出了一种基于自适应特征融合的粒子滤波跟踪算法,用于解决传统的粒子滤波跟踪方法在复杂背景下容易跟踪失败的问题。该算法选取颜色特征和边缘特征来描述目标,并通过粒子滤波进行特征融合,根据可靠性因子调整各特征的权值系数;在跟踪过程中,随着目标自身形变,自适应更新目标模板。实验结果表明,在复杂背景下以及受到遮挡时,本算法能够准确稳健地跟踪目标。     

基于双直方图自适应选择的目标跟踪算法*

针对传统的均值漂移算法,加入了梯度方向直方图及其与颜色直方图的自适应选择,提高了均值漂移算法在复杂场景中目标跟踪的鲁棒性。传统的均值漂移算法往往选择固定的一个颜色直方图对目标进行跟踪,当目标自身或者跟踪场景发生变化时,容易跟踪失败。通过分析被跟踪目标在当前场景中与目标模板在颜色以及梯度方向上的相似性并设定阈值,从而选择并使用当前有效的目标特征,实现复杂变化场景下的目标跟踪。一系列不同场景下的运动目标跟踪实验,证实了该算法的可靠性。     

基于粗糙集的非监督快速属性选择算法

针对"大数据"中常见的大规模无监督数据集中特征选择速度难以满足实际应用要求的问题,在经典粗糙集绝对约简增量式算法的基础上提出了一种快速的属性选择算法。首先,将大规模数据集看作一个随机到来的对象序列,并初始化候选约简为空集;然后每次都从大规模数据集中无放回地随机抽取一个对象,并且每次都判断使用当前候选约简能否区分这一对象和当前对象集中所有应当区分的对象,并将该对象放入到当前对象集中,如果不能区分则向候选约简中添加合适的属性;最后,如果连续I次都没有发现无法区分的对象,那么将候选约简作为大规模数据集的约简。在5个非监督大规模数据集上的实验表明,所求得的约简能够区分95%以上的对象对,并且求取该约简所需的时间不到基于区分矩阵的算法和增量式约简算法的1%;在文本主题挖掘的实验中,使用约简后的数据集挖掘出的文本主题同原始数据集挖掘出的主题基本一致。两组实验结果表明该方法能够有效快速对大规模数据集进行属性选择。     

基于背景减除法的视频序列运动目标检测

视频序列中运动目标的检测是目标识别、标记和追踪的重要组成部分,背景减除法是运动目标检测中被广泛应用的算法。针对光线变化、噪声和局部运动等影响运动目标检测效果的问题,提出一种基于背景减除法的视频序列运动目标检测算法。该算法结合背景减除法和帧间差分法,对当前帧像素点的运动状态进行判断,分别对静止和运动的像素点进行替换和更新,采用最大类间方差（Otsu）法对差分图像进行目标提取,并使用数学形态学运算去除目标中的噪声和冗余信息。实验结果表明,所提算法对于视频序列中运动目标的检测具有较好的视觉效果和较高的准确度,能够克服局部运动以及噪声等缺陷。     

融合多线索的目标跟踪

提出把目标的表观信息和目标的运动信息融合起来跟踪的一种方法，使用直方图来描述目标的表观信息，用背景配准来检测目标的运动变化，把通过这两种信息分别获得的定位融合起来得到目标定位，然后采用扩展卡尔曼滤波，实现有效的目标跟踪。该方法克服了在目标较小时，使用表观信息跟踪不稳定的缺点。实验结果也证明了在目标被部分遮挡，目标在像平面由小到大过程都能够稳定跟踪。