一种基于DA-GMRF的无监督图像分割方法

提出一种基于间断自适应高斯马尔可夫随机场(DA-GMRF)模型的无监督图像分割方法.针对MRF模型中的过平滑问题,利用边缘信息构造能量函数,定义了一种DA-GMRF模型.利用灰度直方图势函数自动确定分类数及分割阈值,进行多阈值分割,得到DA-GMRF模型中标记场的初始化,用Metroplis采样器算法进行标记场的优化,实现了图像的无监督分割.实验结果表明了该方法的有效性.     

一种基于小波特征的彩色图像分割算法

利用小波变换的多尺度对图像纹理特征良好表达的特点,用小波变换提升算法图像纹理特征进行提取,从而达到较好的分割效果。     

声呐图像背景区域灰度统计特性分析与拟合

利用声呐进行水下目标定位识别是当前水下目标识别与跟踪的重要手段之一,由于声呐图像受噪声影响严重、分辨率低,对声呐图像的背景建模有助于其目标分割与识别。首先,分析声呐图像背景区域灰度的统计特性,结合其特点采用高斯分布、Gamma分布、威布尔分布、瑞利分布模型对6类不同背景区域声呐图像统计特性进行拟合,构建声呐图像背景区域模型。最后,采用?2准则和Kolmogorov距离误差评价准则评估拟合效果。拟合结果表明,高斯分布、Gamma分布和威布尔分布均能较好地逼近声呐图像背景区灰度统计特性。为满足实时性的应用需求,选用高斯分布构建声呐图像背景灰度统计模型是可行、合理的方案,从而为声呐图像预处理和目标分割提供了背景模型建模的理论依据。     

基于几何结构测度的路面裂缝图像分割算法

针对裂缝形态多样性和分布随机性使得传统裂缝图像分割算法的泛化能力弱的问题,提出一种基于几何结构测度的路面裂缝图像分割算法.首先,采用瑞利分布和高斯分布对裂缝图像背景和目标进行建模,并用期望最大化算法求解裂缝灰度混合模型参数;然后,通过高斯核函数与图像的卷积计算裂缝的边界映射,用梯度矢量流场构造裂缝图像Hessian矩阵...     

免疫粒子滤波在声呐图像目标跟踪中的应用

基于前视声呐图像序列,研究并实现了经免疫算法优化的粒子滤波水下目标跟踪。声呐图像分割成二值图后,提取目标的区域形状特征以构建观测模型,设计目标模板自适应更新方法;将免疫算法的克隆与变异思想引入到粒子滤波中以解决粒子退化问题。对两组水下运动物体的跟踪实验表明,即使目标存在一定形变与干扰,文中的免疫粒子滤波算法仍能以较高的精度跟踪到目标真实运动轨迹;相比于传统粒子滤波算法,稳定性也更强。     

基于标记的多尺度分水岭视频目标分割算法

针对视频目标提取的问题,提出了基于标记的多尺度分水岭视频目标分割算法.该算法以帧间变化检测为基础,通过改进的最小Tsallis交叉熵进行去噪、滤波,经形态学处理后得到运动目标初始二值掩模,并利用初始二值掩模得到用于分水岭算法的前景与背景标记,用该标记修正当前帧的多尺度形态学梯度图像,最后进行分水岭分割,得到具有精确边界的视频对象.实验结果表明,该算法能有效地分割和提取视频序列中的单个、多个以及快速运动的目标,继承了变化检测和分水岭算法速度快的优点,克服了分水岭容易产生过分割的缺点,具有较强的适用性.     

基于Markov随机场的区域跟踪算法

由于视频序列的对象跟踪相当于把图像帧分割成跟踪与非跟踪两个不重叠区域，为此，引入图像分割算法中的Markov随机场模型，提出了一种多目标模糊规划求取Markov标记场的最优估计来实现区域跟踪的算法。此算法为了克服传统离散Markov随机场运算速度慢的缺点，利用双随机矢量，建立连续的Markov标记场，同时提取区域视觉和运动信息的模糊特征，从而改善了算法的鲁棒性和运算复杂度。最终实验结果表明，此方法不仅跟踪效果好，而且还有运算速度快、抗干扰能力强等特点。     

导引概率图与显著特征相结合的行人目标检测

研究了仿生人眼视觉注意机制,采用目标导引概率图作为自上而下的信息,通过调制基于目标显著特征的自下而上信息,实现行人目标检测的方法。首先,对相似场景的目标样本图像提取尺度不变特征变换(SIFT)特征,基于贝叶斯公式,采用高斯混合模型(GMM)建立目标导引概率模型,利用期望最大(EM)算法和狄利克雷过程(DP)自动估计模型参数;进而,对一副待检测图像,采用已估概率模型计算图像中每一像元的目标似然性,形成导引概率图作为自上而下的信息;同时,针对行人目标,模拟中央-外周机制计算多尺度的肤色特征和竖直方向特征,形成基于目标显著特征的自下而上信息;最后,将两者结合得到候选目标区域,再通过提取候选区域的积分梯度直方图和等价的局部二值模式(LBP)特征,输入到级联支持向量机(SVM)分类器,验证并得到目标检测结果。基于实拍数据库和复旦大学-宾夕法尼亚大学行人数据库的大量实验表明,对概率模型的这种改进能显著提升行人目标预测效果,且检测算法在整体上优于传统检测算法。     

分水岭变换和统计区域合并的图像分割算法研究

提出了一种基于分水岭变换和统计区域合并的图像分割方法.该方法综合利用高斯低通滤波、分水岭变换和统计区域合并,先对原始图像提取分割标记,然后利用Meyer分水岭变换对标记分水岭进行分割,最后利用概率统计的方法对过分割区域进行合并.该算法通过调节尺度参数可以实现由粗到细(coarse-to-fine)的分割.实验结果表明,这种简单可行的算法在分割噪声图像时依然有良好的效果,具有较强的鲁棒性.     

彩色图像多尺度引导的深度图像超分辨率重建

为获得更优的深度图像超分辨率重建结果,本文构建了彩色图像多尺度引导深度图像超分辨率重建卷积神经网络。该网络使用多尺度融合方法实现高分辨率(HR)彩色图像特征对低分辨率(LR)深度图像特征的引导,有益于恢复图像细节信息。在对LR深度图像提取特征的过程中,构建了多感受野残差块(MRFRB)提取并融合不同感受野下的特征,然后将每一个MRFRB输出的特征连接、融合,得到全局融合特征。最后,通过亚像素卷积层和全局融合特征,得到HR深度图像。实验结果表明,该算法得到的超分辨率图像缓解了边缘失真和伪影问题,有较好的视觉效果。     

时空联合的红外运动目标提取算法

针对红外图像对比度差、边缘模糊的特点,提出了一种基于时空联合的红外序列图像目标提取的新方法.算法充分利用了红外目标的亮度特征、背景信息以及运动信息.时域分割中通过建立帧差图像背景的高斯分布模型,采用变化检测模板来确定红外目标约束区域.然后,构造图像像素与区域之间的空间关系隶属度矩阵并约束到传统的模糊聚类算法中,空域分割则利用该模糊聚类来对目标约束区域进行有效分割.最后将时空分割结果融合便能实现最终的红外目标提取.实验结果表明,该方法简单有效,能准确提取动态场景中的红外目标.     

An efficient and automatic glioblastoma brain tumor detection using shift‐invariant shearlet transform and neural networks

The detection and segmentation of tumor region in brain image is a critical task due to the similarity between abnormal and normal region. In this article, a computer‐aided automatic detection and segmentation of brain tumor is proposed. The proposed system consists of enhancement, transformation, feature extraction, and classification. The shift‐invariant shearlet transform (SIST) is used to enhance the brain image. Further, nonsubsampled contourlet transform (NSCT) is used as multiresolution transform which transforms the spatial domain enhanced image into multiresolution image. The texture features from grey level co‐occurrence matrix (GLCM), Gabor, and discrete wavelet transform (DWT) are extracted with the approximate subband of the NSCT transformed image. These extracted features are trained and classified into either normal or glioblastoma brain image using feed forward back propagation neural networks. Further, K‐means clustering algorithm is used to segment the tumor region in classified glioblastoma brain image. The proposed method achieves 89.7% of sensitivity, 99.9% of specificity, and 99.8% of accuracy.     

一种小波域的图像增强算法

微弱图像具有对比度低、噪声高、质量差等特点,一定程度上影响了图像的观察和使用。因此,提出一种小波域的图像增强算法,通过对微弱图像多尺度、多分辨率的小波变换分离各维度小波系数,对低频小波系数进行直方图均衡化,高频小波系数进行Canny算法提取边缘,最后将处理后的各维度小波系数进行图像重构以实现图像增强。并选取了3幅微弱图像,将其经所提出的算法及几种传统经典图像增强算法增强后的图像进行实验仿真对比。仿真结果表明,在主观评价上,所提算法增强后的图像的细节更加丰富,视觉感受更加平滑自然;客观评价指标中信息熵的值也都是最大的,分别是4.989 3,3.741 5,4.796 1,信息丰富度最高;而峰值信噪比和图像质量测量函数的数据表明所提算法增强图像的强度适中,整体性较好。可见,所提出的针对微弱图像的增强算法能够在视觉效果上和图像信息上进行有效的图像增强。     

基于声呐历程累积图像的弱回波目标检测方法

针对浅海随机噪声与混响背景下蛙人等弱回波强度、慢速小目标的检测问题,提出一种基于声呐历程累积图像的目标检测方法。首先根据声呐图像时域、空域相关性,采用背景空时归一化处理技术,抑制声呐背景中的静态混响、突发性噪声等强回波干扰。声呐历程累积图像集成了多帧声呐图像的信息,目标回波亮点由于运动连续性形成亮线特征,利用该特征,采用Radon恒虚警率(Radon Constant False Alarm Rate,Radon-CFAR)检测声呐历程累积图像中的目标短时运动轨迹,能够检测到低信噪比的目标。分析了空时归一化处理和检测算法的性能,并通过海试数据验证了该算法的有效性,可以检测到低信噪比的蛙人目标回波。     

基于声呐历程累积图像的弱回波目标检测方法

针对浅海随机噪声与混响背景下蛙人等弱回波强度、慢速小目标的检测问题,提出一种基于声呐历程累积图像的目标检测方法.首先根据声呐图像时域、空域相关性,采用背景空时归一化处理技术,抑制声呐背景中的静态混响、突发性噪声等强回波干扰.声呐历程累积图像集成了多帧声呐图像的信息,目标回波亮点由于运动连续性形成亮线特征,利用该特征,采...     

一种基于马尔可夫随机场的运动目标检测算法

本文提出了一种基于马尔可夫随机场的运动目标检测算法.针对传统时间分割使用主观固定阁值的缺点,使用马尔可夫随机场模型对差分图像建模,并提出了一种新的模型阶次选择算法,以及一种可以加速收敛过程的随机场迭代算法.采用期望最大算法获取高斯分布参数并检测运动变化区域,利用形态学运算修正时间分割模板;空间分割部分提出了基于人眼视觉特征的改进分水岭算法,有效地解决了过分割问题;最后对时、空间分割结果进行信息融合处理,从而得到完整的运动目标.仿真实验结果证明了本文算法可以有效地分割视频运动目标.     

无显式表达小波在不同尺度下的离散生成算法及幅频特性

为了获得无显式表达小波在不同尺度上的幅频特性,必须先解决它在时域各尺度上的离散生成.分析了原有的一个生成算法存在的问题,进而基于多分辨分析理论,提出了一种新的离散生成算法,利用小波低通滤波器系数通过迭代可得到不同尺度上的尺度和小波函数,由此研究了Daubechies 2～10号小波在5个尺度上的幅频特性,得到的结果直观地显示了此类小波在不同尺度间存在较大频带重叠,其中D2～D4号小波的频带从第3个尺度开始还存在旁瓣,但在D9～D10号小波中旁瓣基本消失,频带重叠程度也相对减少.通过信号处理实例证实了这种幅频特性的准确性.     

海上远景小目标检测方法的研究

海水本身运动的复杂性以及海水与其它环境因素所产生的干扰物理场,往往使得海上小目标的探测尤为困难.因此,以可见光图像序列中海面小目标检测为研究对象,提出了核函数-马尔科夫随机场(Markov Random Fields,MRF)前景分割模型.该模型利用所提出的邻域相关核函数背景模型对图像序列的求解结果作为MRF的观测值,...     

A novel Markov random field model based on region adjacency graph for T1 magnetic resonance imaging brain segmentation

Tissue segmentation in magnetic resonance brain scans is the most critical task in different aspects of brain analysis. Because manual segmentation of brain magnetic resonance imaging (MRI) images is a time‐consuming and labor‐intensive procedure, automatic image segmentation is widely used for this purpose. As Markov Random Field (MRF) model provides a powerful tool for segmentation of images with a high level of artifacts, it has been considered as a superior method. But because of the high computational cost of MRF, it is not appropriate for online processing. This article has proposed a novel method based on a proper combination of MRF model and watershed algorithm in order to alleviate the MRF's drawbacks. Results illustrate that the proposed method has a good ability in MRI image segmentation, and also decreases the computational time effectively, which is a valuable improvement in the online applications. © 2017 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 27, 78–88, 2017