一种基于B样条曲面的深度图像重抽样方法

银行深度图像处理中由于等角测距造成的几何失真,根据非等网格深度数据的数值特点,文中提出了一种基于B样条曲面的深度图像重抽样方法,并且与其它一些三维插值方法进行了精度比较。该文利用真实深度图像进行了重抽样实验,结果表明,基于B样条曲面的重抽样方法有效地克服了原始图像数据中存在的几何失真以及测量噪声,为后续的三维表面处理提供了更为精确的三维网格深度数据。     

基于深度神经网络的遥感图像分类算法综述

准确、高效的遥感图像分类是遥感图像解析的重要研究内容之一。近年来,随着机器学习技术的发展,深度神经网络日渐成为一种有效的遥感图像分类处理方法。分析了遥感图像分类目前存在的一些问题,并简要阐述了几种典型的深度神经网络的原理结构;然后根据遥感图像分类的研究现状和深度神经网络对遥感图像分类的研究现状,总结了深度神经网络在遥感图像分类技术应用中的发展趋势。     

基于深度神经网络训练与优化算法的图像分类

当前图像分类方法在分类过程中没有充分获取图像的深度特征，导致方法真阳性率低、假阳性率较高，存在图像分类准确率低等问题。为解决上述问题，提出基于深度神经网络训练与优化算法的图像分类方法。方法选取不同特征的图像构建测试集，利用FCM算法对图像进行分割、去噪处理，根据多核学习对提取的图像深度特征进行适应与融合，并构建一个支持向量机的高分辨图像分类器，最终实现图像分类。实验结果表明，所提方法的图像分类真阳性率较高、假阳性率较低，表明该方法准确率高且有明显的分类效果。     

基于单一深度图像的人体姿态实时识别技术研究

为探索更自然、逼真的交互方式,对基于深度图像技术进行研究。介绍当前深度图像技术的应用现状以及主要研究方法;利用深度图像对人体进行识别,包括基于多幅深度图像和基于单一深度图像;对于人体姿态静态追踪,基于当前研究成果将人体部位进行分割处理,以计算机处理速率及鲁棒性为出发点,将随机森林算法应用于单一深度图像中人的定位,并提出改进方法,实现身体部位的识别以及骨骼关节点的空间位置精确标定。通过试验分析对人体深度图像识别速率及精确度方面的改进效果进行验证。     

一种基于表面法向矢量的浓度图像分割方法

针对深度图像中存在的各种噪声干扰,本文提出了一种基于表面法向矢量的多面体分割方法.通过对深度图像中表面法向矢量及其直方图的分析,利用一个四邻域生长算法实现任意形状区域的聚合,并通过融合处理消除噪声对深度图像分割结果的影响.利用这种分割方法在真实深度图像上取得了较好的实验结果,该方法具有实现简单,抗噪性能好的特点.     

深度学习在医学影像中的应用综述

深度学习能自动从大样本数据中学习获得优良的特征表达,有效提升各种机器学习任务的性能,已广泛应用于信号处理、计算机视觉和自然语言处理等诸多领域。基于深度学习的医学影像智能计算是目前智慧医疗领域的研究热点,其中深度学习方法已经应用于医学影像处理、分析的全流程。由于医学影像内在的特殊性、复杂性,特别是考虑到医学影像领域普遍存在的小样本问题,相关学习任务和应用场景对深度学习方法提出了新要求。本文以临床常用的X射线、超声、计算机断层扫描和磁共振等4种影像为例,对深度学习在医学影像中的应用现状进行综述,特别面向图像重建、病灶检测、图像分割、图像配准和计算机辅助诊断这5大任务的主要深度学习方法的进展进行介绍,并对发展趋势进行展望。     

基于深度学习的乳腺癌病理图像分类研究综述

准确、高效的乳腺癌病理图像分类是计算机辅助诊断的重要研究内容之一。随着机器学习技术的发展，深度学习日渐成为一种有效的乳腺癌病理图像分类处理方法。分析了乳腺癌病理图像分类方法及目前存在的问题；介绍了四种相关的深度学习模型，对基于深度学习的乳腺癌病理图像分类方法进行梳理，并通过实验对比分析现有模型的性能；最后对乳腺癌病理图像分类的关键问题进行了总结，并讨论了未来研究的发展趋势。     

基于深度卷积神经网络的图像帧间补偿研究

由于图像分辨率低,传输过程中容易出现图像丢失、不清晰现象。针对上述问题,提出一种深度卷积神经网络算法实现图像帧间补偿。首先依据深度卷积神经网络构建图像帧间补偿模型,其次采用稀疏自编码与线性解码方式提取出该补偿模型的图像特征,再通过多层卷积神经网络对图像特征做映射处理,最后根据稀疏算法重建图像帧分辨率,使图像帧间得到补偿。实验结果表明,基于深度卷积神经网络的图像帧补偿实训可以有效提高图像帧分辨率,解决图像丢失问题,实现了图像高清晰化。     

一种面向视点绘制的深度图像后处理方法

基于深度图像的绘制是三维视频系统中的一项关键技术。然而,深度编码失真会对后续虚拟视点绘制的性能产生极大的影响。提出了一种面向虚拟视点绘制的深度图像后处理方法,利用基于置信区间的交点规则确定深度图像中每个像素点的滤波窗口,利用最小均方逼近多项式技术估计每个像素点的深度值,再利用加权模式滤波器对估计的深度图像进行滤波处理,得到深度滤波图像。实验结果表明,该方法能够精确地恢复出真实深度信息,提高虚拟视点图像的绘制性能。     

面向三维视频的虚拟视点合成技术研究进展

基于深度图像的虚拟视点合成技术是三维视频信息处理、虚拟现实和计算机图形学领域的新兴交叉技术。介绍了三维视频虚拟视点绘制（或合成）技术的原理;分别就虚拟视点合成过程产生的重叠、伪影、空洞三种问题的产生机理进行分析总结;分类综述了空洞填补中基于背景重建的方法、基于图像补全的方法和基于相关图像的修复方法,并列举了提升合成图像质量的方法。总结并展望了深度学习等技术是虚拟视点合成技术的未来研究方向。     

深度图像的分层图割算法研究

以深度图像为分割对象,在迭代图割算法的基础上,通过引入分层机制加快图割执行速度,并通过引入平衡因子来平衡颜色纹理和深度之间的重要程度,从而有效地对深度图像进行分割。利用平衡因子可以在深度信息能够明显区分前背景的情况下,重点利用深度信息来分割图像,反之则重点利用颜色和纹理信息。而在迭代图割算法中,分层机制的引入能够在不降低分割精度的情况下有效地减少图割算法的执行时间。     

基于分量直方图的移动机器人视觉图像自适应分割

提出一种基于分量直方图的自适应分割方法．首先对图像的3个分量统计直方图进行自适应分割，确定出各分量的分类数目及类的取值范围；然后，对分割类进行分量间组合，获得原图像中主要的几种颜色；最后以这些颜色作为聚类中心，按照颜色相似性准则对图像进行聚类分割．在移动机器人CASIA 1上进行的实验证明：该算法实现了图像主要区域的自适应分割与提取，并且能够满足移动机器人对视觉处理过程的实时性要求．     

使用模糊竞争Hopfield网络进行图像分割

针对传统自组织竞争学习方法的不足,将模糊竞争学习引入竞争Hopfield网络中,由此设计了一个用于图像分割的模糊竞争Hopfield网络,通过将图像空间映射到灰度特征空间,实现灰度特征集的模糊聚类,进而实现图像分割.实验结果表明:对于二值分割,与Ostu方法相比,此算法在分割效果和对噪声的自适应能力方面具有明显的优点.对于多类分割,此算法比目前的FCM(fuzzy C mean)算法的处理速度要快.     

Combining color and depth for enhanced image segmentation and retargeting

As depth cameras become more popular, pixel depth information becomes easier to obtain. This information can clearly enhance many image processing applications. However, combining depth and color information is not straightforward as these two signals can have different noise characteristics, differences in resolution, and their boundaries do not generally agree. We present a technique that combines depth and color image information from real devices in synergy. In particular, we focus on combining them to improve image segmentation. We use color information to fill and clean depth and use depth to enhance color image segmentation. We demonstrate the utility of the combined segmentation for extracting layers and present a novel image retargeting algorithm for layered images.     

基于RGB彩色空间的图像分割研究

图像分割是图像处理中的主要问题,图像分割效果的好坏直接影响图像分析的结果。彩色图像分割是指将彩色图像分割成各具特性的区域并提取出其中感兴趣的目标,为后续图像处理工作奠定基础。针对彩色图像梯度图进行分水岭分割会造成过分割的问题,比较阈值分割、最大类间方差分割和最大熵分割等图像分割方法,提出一种基于遗传算法改进最大熵的彩色图像分割方法。实验结果表明,该图像分割算法灵活性强,可以有效地分割彩色图像。     

基于混合PSO CS算法的彩色图像多阈值分割

彩色图像分割是数字图像处理的一个难点。本文研究群体智能算法对彩色图像的分割,针对布谷鸟算法莱维飞行寻优的跳跃性带来的缺陷,在每次莱维飞行结束后引入一种改进的粒子群位置变异方程引导寻优,并对发现概率和步长因子分别提出新的自适应方程,在此基础上提出一种混合粒子群布谷鸟算法（HPCS）,以此混合算法进行彩色图像多阈值分割。实验结果表明,本文提出的HPCS算法在彩色图像分割的效率和质量方面均比较理想。     

彩色图像分割方法综述

由于彩色图像提供了比灰度图像更为丰富的信息，因此彩色图像处理正受到人们越来越多的关注。彩色图像分割是彩色图像处理的重要问题，彩色图像分割可以看成是灰度图像分割技术在各种颜色空间上的应用，为了使该领域的研究人员对当前各种彩色图像分割方法有较全面的了解，因此对各种彩色图像分割方法进行了系统论述，即先对各种颜色空间进行简单介绍，然后对直方图阈值法、特征空间聚类、基于区域的方法、边缘检测、模糊方法、神经元网络、基于物理模型方法等主要的彩色图像分割技术进行综述，并比较了它们的优缺点，通过比较发现模糊技术由于能很好地表达和处理不确定性问题，因此在彩色图像分割领域会有更广阔的应用前景。     

基于改进C均值聚类的自适应图像分色算法

图像分色在纺织和印刷等行业中有着广泛而重要的应用，其目的是用尽量少的颜色来描述一幅真彩色图像，使得到的图像与原图像尽可能的接近。该文提出了一种基于改进C均值聚类的自适应图像分色算法。该算法首先随机产生一张颜色表，然后根据该颜色表对原图像的像素点进行聚类分析，产生初始分色图像。再根据C均值聚类的方法对初始聚类中心进行调整，生成新的分色图像，直到满足结束条件后结束算法。实验结果表明，该算法在大大减少原图像的颜色数量的同时基本保持分色图像的质量，是一种实用的分色方法。     

Color image segmentation: advances and prospects

Image segmentation is very essential and critical to image processing and pattern recognition. This survey provides a summary of color image segmentation techniques available now. Basically, color segmentation approaches are based on monochrome segmentation approaches operating in different color spaces. Therefore, we first discuss the major segmentation approaches for segmenting monochrome images: histogram thresholding, characteristic feature clustering, edge detection, region-based methods, fuzzy techniques, neural networks, etc.; then review some major color representation methods and their advantages/disadvantages; finally summarize the color image segmentation techniques using different color representations. The usage of color models for image segmentation is also discussed. Some novel approaches such as fuzzy method and physics-based method are investigated as well.     

一种基于遗传算法的彩色图像分割改进算法

图像分割是进行图像理解的基础,也是图像工程技术中一个重要的问题.近几年来关于图像的分割方法层出不穷,但随着多媒体技术和Internet技术的发展,彩色图像分割处理的准确性和实时性要求也越来越高.为此提出了一种基于遗传算法的彩色图像分割改进算法.经过大量的对比实验表明,用这种方法分割目标和背景区域差别较大的彩色图像具有分割效果好、实时性、鲁棒性强的特点,是一种较为理想的分割方法.