基于背景差分的高铁钢轨表面缺陷图像分割

高铁钢轨表面图像具有光照变化、反射不均、特征少等特点,使得缺陷自动检测极为困难。为了在高速运动过程中,从复杂的钢轨表面图像中分割出缺陷,根据钢轨表面图像具有沿钢轨方向像素值基本不变的特征,建立钢轨表面图像背景模型,提出了基于背景差分的钢轨表面缺陷检测算法,主要包括钢轨区域提取、背景建模差分、阈值分割和图像滤波4个步骤,其主要特点是将视频监控中的背景差分法推广到缺陷图像分割领域,同时借助自适应阈值分割和滤波技术,在一定程度上,解决了铁轨表面缺陷分割过程中图像光照变化、反射不均、特征少等不利因素的影响。实验仿真和现场测试结果均表明,该方法对块状缺陷能很好地识别,召回率和准确率分别达96%和80.1%。     

一种新的自动阈值图像分割方法

提出了一种新的自动阚值图像分割方法，该方法将图像分成两个类，当类间方差与类内方差的分离度最大时即为最佳阈值。实验表明新方法能够自动而快速地对图像进行分割。     

改进的Otsu算法在缺陷检测中的应用

针对传统Otsu算法对灰度直方图中仅存在"单峰"的图像难以分割的问题,提出一种分类加权的Otsu分割算法。该方法通过对Otsu算法的两项类间方差进行分析,对每项类间方差以及整体方差分别引入加权系数,并给出了加权系数的自适应选取方式。实验表明,此方法对缺陷灰度值大于平均灰度值,或者缺陷灰度值小于平均灰度值的"单峰"缺陷图像都能实现有效分割。     

基于积分图像的快速二维Otsu算法

Otsu自适应阈值算法是图像分割的经典方法之一,在其基础上发展起来的二维Otsu阈值算法却因为计算复杂而制约了其应用.本文针对二维Otsu的耗时瓶颈问题,引入积分图像简化了二维直方图最佳阈值搜索过程的计算复杂度,从而大大缩短了算法处理时间.实验结果表明,本文提出的算法在分割效果上与原始算法完全相同,但计算时间远远小于后者,具有很好的实时性.     

基于Otsu准则和直线截距直方图的阈值分割

对二维Otsu法中类间离散度测度进行了分析,发现按该算法对被噪声污染图像的二维直方图进行划分时,所得两类的类内均值点容易远离主对角线,因而抗噪声能力不足。针对以上情况,本文提出了一种新算法,该算法基于二维直方图中直线阈值分割的思想,利用像素点的二维信息直接建立阈值直线的截距直方图;然后应用Otsu准则对该一维直方图求解最佳截距阈值,并应用该阈值和二维信息完成图像分割。对提出的算法与传统二维Otsu法进行了比较和分析,结果表明:提出的算法可以有效避免传统算法在抗噪方面的缺陷,当实验图像的噪声方差大于0.003且逐渐增加时,提出的算法抗噪表现稳健;另外,提出的算法计算阈值的速度比基于二维Otsu法的直分法和直线阈值法快2个数量级以上,占用内存空间更少。因而提出的算法是一种抗噪稳健且快速有效的阈值分割算法,更适于实时应用。     

基于RGB的干枣图像区域阈值分割算法的应用研究

针对目前基于RGB模型的干枣彩色图像研究中的一系列问题,提取干枣图像大小与实际大小相差较大,算法复杂、速度慢,很难达到在线检测的要求,提出一种利用机器视觉技术以提取干枣图像目标的新方法,分别统计R、G、B各分量的灰度值,绘制相应直方图;通过分析比较,选取R-B分量灰度直方分布图作为确定阈值分割的依据,利用大津法自适应求出阈值,然后提出区域阈值分割方法,并对干枣图像进行阈值分割。多次实验证明,利用该算法提取干枣大小与实际大小非常接近,稳定性高,检测速度快,可以满足进行干枣的形状、表面缺陷等检测要求,能够满足机器视觉技术在线检测要求。     

几种图像分割阈值选取方法的比较与研究

对几种常用的阈值选取方法进行了理论分析与比较，并以基于面结构光投影法的三维物体形状检测技术研究为背景，从实验角度对类间方差法、一二维最大熵法和模糊阈值分割法等图像阈值分割方法的性能进行了验证。     

基于改进型PCNN图像分割技术的金属表面检测

对金属表面缺陷中的轧入氧化皮、斑点和划痕3种缺陷检测设计了一种有效方法.首先将目标图片进行灰度值归一化增强图像,提高其视觉效果方便后续图像处理.然后应用改进型脉冲耦合神经网络图像分割技术将目标图片分割得到二值图像,因为三种缺陷各有其独有的特征,据此将二值图像进行分析对比,最后对已经检测出的三种缺陷采取不同的方法标注缺陷...     

基于最小Tsallis交叉熵的阈值图像分割方法

利用Tsallis熵的非广延性(nonextensivity),本文提出了一种最小Tsallis交叉熵阈值分割方法.该方法通过引入一个参数q.在阈值的选择过程中不仅考虑了目标和背景之间的信息昔差异,而且考虑了目标和背景之间的相互关系,克服了传统最小交叉熵忽略目标和背景之间的相互关系所导致的阈值选择不恰当的缺点.实验结果表明,通过选择合适的参数q,所提出方法的分割效果明显优于传统的最小交叉熵阈值法.     

用机器视觉检测集成电路芯片的图像分割方法研究

在研制检测集成电路芯片的机器视觉系统中，研究运用Mahalanobis距离方法，对摄取的芯片图像进行图象分割。实验结果表明，对处于环境复杂、低对比度、细节多的芯片图象能够产生很好的分割效果。该方法鲁棒性强，能保证分割质量，能显著提高机器视觉的检测精度。亦可用于对其它产品的尺寸及表面质量检验测量。     

二维直方图准分的Tsallis熵阈值分割及其快速实现

传统二维Tsallis熵阈值法主要由于对二维直方图采用近似假设等原因,导致分割结果不够准确,由此提出了基于二维直方图准分的Tsallis熵快速图像分割方法.首先,准确选择邻域模板构建二维直方图并将Tsallis熵法用于此直方图上以便提高分割性能;然后,舍弃二维直方图中关于主对角区域的概率和近似为1的假设而准确计算使阈值选取更准确;最后,结合Tsallis熵公式对二维直方图进行分析得到其特性和2个定理,利用此特性和2个定理导出新型、快速的递推算法来降低计算复杂度.实验结果表明,与传统二维Tsallis熵法相比,所提出的方法不仅分割更准确和抗噪性更强,而且占用的存储空间和运行时间都更少.     

基于粒子群算法的二维Otsu阈值分割法

二维Otsu方法同时考虑了图像的灰度信息和像素间的空间邻域信息,是一种有效的图像分割方法。针对二维Otsu方法计算量大的特点,采用粒子群算法来求解最优二维阈值向量。通过分别用快速递推算法和改进粒子群算法对显微细胞图像的实验表明,后者不仅能得到理想的分割效果,且相较于前者,计算量大大减少,达到了快速分割的目的,有利于提高图像处理的实时性。     

一种Otsu阈值法的推广--Otsu双阈值法

Otsu阈值法一直被用来求取单阈值。对Otsu阈值法进行了推广,利用Otsu阈值法来求取双阈值．推导了计公式的两种表达形式,最后给出了图像测试结果。采用Otsu双阈值法对灰度直方图呈现三峰特性的图像进行分割,以获得良好的二值化效果。     

基于萤火虫算法的二维熵多阈值快速图像分割

提出了基于萤火虫算法的二维熵多阈值快速图像分割方法以改善分割复杂图像和多目标图像时存在计算量大、计算时间长的问题。首先,分析了二维熵阈值分割原理,将二维熵单阈值分割扩展到二维熵多阈值分割。然后,引入萤火虫算法的思想,研究了萤火虫算法的仿生原理和寻优过程;提出了基于萤火虫算法的二维熵多阈值快速图像分割方法。最后,使用该方法对典型图像进行阈值分割实验,并与二维熵穷举分割法、粒子群算法(PSO)二维熵多阈值分割法进行比较。实验结果表明:该方法在单阈值分割、双阈值分割和三阈值分割时分别比二维熵穷举分割法快3.91倍,1040.32倍和8128.85倍;另外,在阈值选取的准确性和计算时间方面均优于PSO二维熵多阈值分割法。结果显示,基于萤火虫算法的二维熵多阈值快速图像分割方法能快速有效地解决复杂图像和多目标图像的分割问题。     

非监督层次化模糊相关的人体红外图像分割

针对当前多级模糊熵算法在分割人体红外图像时,存在划分数需人工指定,全局划分导致熵的信息度量精度受背景干扰,分割精度不高等问题,提出了非监督层次化模糊相关分割。首先采用熵率法将图像划分为若干超像素,确保区域一致性,提高后续处理效率;随后,用准确度量划分适当性的模糊相关来描述图像,构建模糊相关图割2-划分算子,提高层次化分割中单步分割的精度。2-划分算子的核心思想是利用提出的递推计算策略,快速搜索最大模糊相关时目标和背景的划分概率,并用其来设置图割的数据项,实施超像素的模糊相关图割2-划分。最后将2-划分算子与自顶向下的非监督层次化分割策略相结合,迭代地对目标超像素区域实施2-划分,自适应确定划分数,获得人体目标。实验结果表明:较常用算法,该算法不但能自动确定划分数,而且分割精度还提高了约18%,运行时间约为3.8s,能有效用于人体红外图像分割的工程实践中。     

基于多路径网络的权值调整图像语义分割算法

为提高图像语义分割准确程度,针对场景解析中类别边缘分辨清晰度,提出了一种基于多路径网络的权值调整图像语义分割算法。通过引入多路径网络和权值调整并对图像场景中的物体类别具有的特征进行分析,提高图像的语义分割的准确程度;通过采用ADE20K数据集进行训练,提高边缘信息的分割效果,使模型具有更好的泛化能力。此算法加快了网络收敛速度。     

基于FESS的混合模型脑图像分割方法

提出一种基于FESS的混合模型脑图像分割方法.其特点在于生成模型与判别模型得到了有效结合.生成模型通过条件随机场融合体素点的灰度信息、形状信息以及区域相邻关系,实现对脑子结构外观特征的描述.在此基础上,利用生成模型将训练样本映射到FESS特征空间;判别模型中采用LS-SVM分类器并将数据场应用于混合分割模型的训练过程中,降低了判别模型由于训练数据不平衡而引起的性能波动并提高其泛化能力.实验结果表明,与若干前沿的脑图像分割方法相比,该方法具有更好的分割质量和性能.