基于集成学习思想的深度图像遮挡边界检测方法

针对现有深度图像遮挡检测方法不能有效地检测出深度信息变化不明显的遮挡边界点的状况,提出了8邻域总深度差特征和最大面积特征,并定义了计算方法。在此基础上,提出一种新的基于集成学习思想的深度图像遮挡边界检测方法,该方法结合所提新特征及现有遮挡相关特征训练基于决策树的AdaBOOst分类器,完成对深度图像中遮挡边界点及非遮挡边界点的分类,实现对深度图像中遮挡边界的检测。实验结果表明,同已有方法相比,所提方法具有较高的准确性和较好的普适性。     

基于深度图像利用BP网络实现遮挡边界检测

针对视觉目标存在遮挡的现象,提出一种利用机器学习思想检测深度图像中遮挡边界的方法。首先,根据深度图像中像素点的深度信息和空间信息,定义了一种新的遮挡相关特征--最长投影线段特征;其次,设计了一种非线性归一化方法以便对相关特征进行归一化;最后,将遮挡边界检测视为分类问题,利用BP网络对遮挡边界进行检测,并将检测结果进行可视化展示。与其他方法相比,该方法准确性较高,泛化能力较强。     

基于边缘特征和可信度的立体匹配算法

目的针对难以快速获得高精度的稠密视差图问题,提出一种基于边缘特征和可信度的立体匹配算法。方法为了增加像素点之间的区分性,采用鲁棒性较好的AD-Census函数作为匹配代价测度函数。针对匹配窗口跨越视差不连续区域时造成误匹配问题,算法首先对参考图像进行边缘特征提取,基于边缘特征约束,获取形状和大小均具有自适应特性的匹配窗口。视差计算时,使用WTA算法计算每个像素点的视差值,同时计算该像素点视差的可信度。最后通过边缘检测图和信度图进行联合优化,修复可信度较低的像素点的视差。结果该算法能够快速有效地处理视差遮挡区域和视差不连续区域的误匹配问题。结论基于边缘特征和可信度的立体匹配算法是一种高效可行的立体匹配算法。     

结合表观、运动和边缘结构信息的遮挡边界检测方法

为了准确检测视频序列中的遮挡边界,提出了一种利用随机森林分类器检测遮挡边界的方法。该方法首先分割视频序列某一帧的边缘检测结果得到超像素和超像素边缘,并将超像素边缘分解为多个短的直线段。然后结合表观、运动和边缘结构信息提取每个直线段的遮挡相关特征并组合成特征向量,将此特征向量输入遮挡边界分类器检测每个直线段是否为遮挡边界。最后可视化所有确定为遮挡边界的直线段得到该帧图像的遮挡边界检测结果。实验结果表明所提方法具有较高的准确性。     

结合深度图像和最佳分割阈值迭代的自遮挡检测算法

针对视觉任务中普遍存在的自遮挡现象和目前视觉系统尚无明确的自遮挡检测算法的现状,提出了一种结合视觉目标深度图像和最佳分割阈值迭代的自遮挡检测算法。在分析图像阈值分割技术的基础上,将分割阈值迭代法的思想引入深度图像领域,并结合使用视觉目标对应的深度差值图像信息,通过求取合适的阈值实现了对自遮挡现象的检测。实验结果表明,该方法能够有效地检测出视觉目标中存在的自遮挡现象并定位自遮挡边界,弥补了目前自遮挡检测领域研究的不足。     

基于随机重构图结构的图神经网络分类算法

目的:为了解决在特征聚合过程中的确定性传播所导致的节点相似性破坏和节点对邻域依赖性高的问题,构建基于随机重构图结构的图神经网络分类算法。方法:首先,随机特征变换根据学习的权重值对随机保留的部分节点特征进行增强,生成随机特征。然后,利用生成的特征计算融合系数,对原始图和k近邻图进行自适应融合,重构出随机图结构。最后,将提取的多支浅层特征加入到重构图结构的卷积层,使模型随着层数的加深可得到浅层信息的补充。此外,对联合优化分类损失和自监督学习损失,保持节点相似性和平滑性。结果:与其他节点分类方法在Cora、Citeseer和Pubmed数据集上进行半监督实验和全监督实验结果对比,本文的算法精度提高了0.9%～2.3%。结论:基于随机重构图结构的网络分类算法在节点分类任务中取得较好的性能。     

基于弱语义嵌入的图像相似性度量

提出了一种旨在缩小"语义鸿沟"的弱语义嵌入方法及其相似性度量模型.在该方法中,用户反馈的相关图像被当成查询图像的弱语义直接嵌入到视觉特征向量中,从而使固定的视觉特征向量成为可伸缩的包含语义和视觉特征的集合.根据心理学中集合论相似性理论,图像之间的相似性被表示成语义特征与视觉相似性之比.基于Corel图像库的实验结果表明,该方法在基于内容的图像检索中是非常有效的.     

基于自动确定特征点数的镜头分割方法

镜头分割对实现基于图像内容的视频检索具有重要作用.为了提高视频镜头分割的效果,采用Harris算子进行像素点的能量评估,并抑制伪特征点.通过图像帧分块和边缘检测,获取最小化特征点集,并使特征点分布相对均匀合理,然后根据特征点计算图像帧统计量,进一步形成图像帧的特征向量.在此基础上,结合图像帧渐变检测和闪光检测实现镜头分割方法,取得很好镜头分割效果.     

基于深度学习耦合稀疏语义度量的商标检索算法

目的针对当前商标图像检索中的语义鸿沟问题,提出一种深度学习耦合稀疏语义度量的商标图像检索方案,有效抑制噪声干扰,降低冗余特征维数。方法首先,根据由卷积与池化组成的无监督学习机制,对输入商标图像进行多层特征提取,输出一维特征向量。随后,通过L2-支持向量机(L2-SVM)进行分类,利用特征向量进行训练,获得多级联特征。然后,根据商标图像的多级联特征和用户标签信息的异构数据结构,设计一种稀疏语义度量方法进行相似检索,减少语义鸿沟。此外,引入一种混合范数作为相似度量的稀疏约束,以抑制原始输入空间中的冗余特征维数和噪声,优化检索结果。结果实验表明,与当前流行的商标检索方案相比,所提算法具有更高的检索精度,其输出的结果中仅有1幅无关图像。结论该方案具有较高的检索精度和较强的鲁棒性,在商标检测、商标保护等方面中具有良好的应用价值。     

基于半逆法和暗原色先验的单一图像去雾新方法

针对现有图像去雾方法的缺陷,依据雾天成像的理论模型,提出了一种基于半逆法和暗原色先验相结合的单一图像去雾新方法.对一幅待去雾图像,首先通过半逆法检测并标记出图像浓雾区域,结合暗原色先验,随机多次选取浓雾区域中具有较大暗原色值的候选像素点集,并通过计算原图中这些候选点集的像素点平均亮度值估算大气光常数.其次通过暗原色先验信息获取图像像素点的透射率分布.最后在得到大气光常数和透射率参数的基础上,根据雾天成像的光学理论模型反解出去雾后图像.通过图像去雾的无参考客观质量评价(NQA)体系对有效细节强度、色调还原程度和结构信息三项指标进行定量评估,评估结果表明,相比目前去雾效果最好的He算法,这一新方法平均能提高了15％.此外,该方法能减少去雾后图像的halo效应,更能满足人们的主观观测需求.     

一种适合于多目标检测的图像分割方法

提出一种适合于多目标检测的8邻域图像分割方法,用以获取目标特征量,准确分割图像。在对二值化图像扫描形成目标块的过程中,标记各个目标像素,记录目标的边界点,得出分割目标的面积、周长、质心坐标。利用这些信息,可以选择跟踪一个或多个目标。仿真结果证明了该方法实用可行。     

一种基于Graph Cuts的SAR图像分割方法

在最小化由马尔科夫随机场(MRF)图像分割模型建立的能量函数方面,基于Graph Cuts的alpha-expansion是一种比较有效的算法.但是,由此算法构建的s/t图中边的数目非常多,运算速度很慢.为了减少alpha-expansion算法的计算量,本文在标号为alpha的像素向其它像素膨胀的过程中,先隔离非alpha类间的联系,而只考虑alpha类与非alpha类之间的关系,从而避免了alpha-expansion算法需要构造辅助结点的问题,减少了s/t图中边的数目,提高了算法的计算效率.因放松了非alpha类间的关系对alpha膨胀的约束,使得算法可以更容易得跳出能量函数的局部极小点而获得更优的分割结果.实验中将改进的算法与传统的基于Graph Cuts的算法做了对比,显示了新算法在运算时间和最小化能量方面的有效性.     

基于改进双流卷积递归神经网络的RGB-D物体识别方法

为了提高基于图像的物体识别准确率,提出一种改进双流卷积递归神经网络的RGB-D物体识别算法(Re-CRNN)。将RGB图像与深度光学信息结合,基于残差学习对双流卷积神经网络(CNN)进行改进:增加顶层特征融合单元,在RGB图像和深度图像中学习联合特征,将提取的RGB和深度图像的高层次特征进行跨通道信息融合,继而使用Softmax生成概率分布。最后,使用标准数据集进行实验,结果表明,Re-CRNN算法的RGB-D物体识别准确率为94.1%,较现有基于图像的物体识别方法有显著的提升。     

基于FCM和图割的交互式图像分割方法

为了提高在前景和背景颜色相似情况下图像的分割效果,提出了一种基于模糊C均值聚类(FCM)和图割的交互式图像分割方法。首先,利用分水岭算法对图像进行预处理,将图像分成多个小区域,用区域代替像素点进行分析。然后,采用模糊C均值算法对用户标记的前景区域和背景区域分别进行聚类分析,挖掘用户交互所提供的隐藏信息。用未标记区域的颜色分量到前景区域及背景区域类心的最小距离表示相似能量,用未标记区域与其相邻区域的相关性表示先验能量。最后,利用最大流/最小割算法求能量函数的全局最优解。与其他方法相比,该文方法具有较好的分割性能,能从前景背景相似的图像中较精确地提取感兴趣的物体,且用户操作简单。     

基于在线半监督学习的故障诊断方法研究

针对机械故障诊断中准确、完备的故障训练样本获取困难,而现有分类方法难以有效地发掘大量未标记故障样本中蕴含的有用信息,提出了一种基于在线半监督学习的故障诊断方法.该方法基于Tri-training算法将在线贯序极限学习机从监督学习模式扩展到半监督学习模式,利用少量不精确的标记样本构建初始分类器,并从大量未标记样本中在线扩充标记样本,对分类器进行增量式更新以提高其泛化性能.半监督基准数据试验结果表明,训练样本总数相同但标记样本数与未标记样本数比例不同时,所提算法得到的分类准确率相当且训练时间相差小于1.2倍.以柴油机8种工况的故障模式为对象进行试验验证,结果表明标记故障样本较少时,未标记故障样本的加入可使故障分类准确率提高5％～8％.     

Threshold Filtering Semi-Supervised Learning Method for SAR Target Recognition

The semi-supervised deep learning technology driven by a small part of labeled data and a large amount of unlabeled data has achieved excellent performance in the field of image processing. However, the existing semi-supervised learning techniques are all carried out under the assumption that the labeled data and the unlabeled data are in the same distribution, and its performance is mainly due to the two being in the same distribution state. When there is out-of-class data in unlabeled data, its performance will be affected. In practical applications, it is difficult to ensure that unlabeled data does not contain out-of-category data, especially in the field of Synthetic Aperture Radar (SAR) image recognition. In order to solve the problem that the unlabeled data contains out-of-class data which affects the performance of the model, this paper proposes a semi-supervised learning method of threshold filtering. In the training process, through the two selections of data by the model, unlabeled data outside the category is filtered out to optimize the performance of the model. Experiments were conducted on the Moving and Stationary Target Acquisition and Recognition (MSTAR) dataset, and compared with existing several state-of-the-art semi-supervised classification approaches, the superiority of our method was confirmed, especially when the unlabeled data contained a large amount of out-of-category data.     

Image Denoising with Adaptive Weighted Graph Filtering

Graph filtering, which is founded on the theory of graph signal processing, is proved as a useful tool for image denoising. Most graph filtering methods focus on learning an ideal lowpass filter to remove noise, where clean images are restored from noisy ones by retaining the image components in low graph frequency bands. However, this lowpass filter has limited ability to separate the low-frequency noise from clean images such that it makes the denoising procedure less effective. To address this issue, we propose an adaptive weighted graph filtering (AWGF) method to replace the design of traditional ideal lowpass filter. In detail, we reassess the existing low-rank denoising method with adaptive regularizer learning (ARLLR) from the view of graph filtering. A shrinkage approach subsequently is presented on the graph frequency domain, where the components of noisy image are adaptively decreased in each band by calculating their component significances. As a result, it makes the proposed graph filtering more explainable and suitable for denoising. Meanwhile, we demonstrate a graph filter under the constraint of subspace representation is employed in the ARLLR method. Therefore, ARLLR can be treated as a special form of graph filtering. It not only enriches the theory of graph filtering, but also builds a bridge from the low-rank methods to the graph filtering methods. In the experiments, we perform the AWGF method with a graph filter generated by the classical graph Laplacian matrix. The results show our method can achieve a comparable denoising performance with several state-of-the-art denoising methods.     

基于图非负矩阵分解的图像配准

本文提出一种新的利用图的谱对应绝对值特征向量的非负矩阵分解图像配准方法.首先利用图像特征构造了无向权图的非负权矩阵,通过非负矩阵分解得到了包含原始图像全部特征的特征基图像;然后将非负权矩阵谱对应绝对值特征向量作为非负矩阵分解的初始值进行迭代,既能反映图的结构特征信息,又能提高图像的匹配率;最后在特征基向量空间找到了两图...     

多波束声呐海底底质半监督学习分类方法

多波束测深声呐的反向散射数据中包含海底表层的声学信息,可以用来进行海底表层底质分类。但实际中通过物理采样获得大范围的底质类型的标签信息所需成本过高,制约了传统监督分类算法的性能。针对实际应用中只拥有大量无标签数据和少量有标签数据的情况,文章提出了基于自动编码器预训练以及伪标签自训练的半监督学习底质分类算法。利用2018年和2019年两次同一海域实验采集的多波束测深声呐反向散射数据,对所提算法进行了验证。数据处理结果表明,相比仅利用有标签数据的监督分类算法,提出的半监督学习分类算法保证分类准确率的同时所需的有标签数据更少。自动编码器预训练的半监督学习分类方法在有标签样本数量极少时的准确率仍高于75%。