应用颜色聚类图像块的多舰船显著性检测

由于多舰船目标显著性检测过程容易将边界像素作为背景处理,本文提出了应用颜色聚类图像块的多舰船显著性检测方法。该方法首先检测邻域像素是否具有颜色相似性,并将临近的具有相似颜色的像素聚集在一起作为一个图像块。接着,对获得的图像块进行扩展,使图像块包含很多其他图像块的像素以提高图像块内像素间的对比强度;对边缘像素进行背景索引标记,计算图像块中像素的显著性强度,采用阈值分割方法获得目标显著性区域。最后,基于颜色聚类的图像块存在部分重叠的特点,利用权值对存在叠加的显著性图像进行融合,从而获得多舰船目标整幅图像的显著性检测结果。对获得的多舰船目标图像进行了实验测试,并对本文算法结果和当前比较先进的其它显著性检测算法进行了效果对比。结果显示:提出的利用颜色聚类图像块的舰船显著性检测方法的查全率达到78%以上,准确率达到92%以上,综合评价指标Fβ≥0.7;无论考虑单个指标还是整体指标,本文算法均优于其他对比算法。     

用Hopfield神经网络实现触觉图像恢复

通过对安装于机器人手爪上的阵列触觉传感器所采集到的触觉图像的分析,提出了用Hopfield神经网络实现触觉图像恢复的技术.Hopfield神经网络把触觉图像的每一个像素作为一个处理单元(神经元),像素之间的关系即神经元之间的权值作为储存单元.首先利用Hebb规则计算权值矩阵,用以存储所有样本的标准模式,然后利用网络的联想记忆能力恢复被抓物体的触觉图像.实验结果表明,该方法能达到很好的触觉图像恢复和识别效果.     

基于背景差分法的多运动目标检测与分割

针对图像序列中的多运动目标的检测和分割问题,本文使用基于背景差分法和相邻帧差分法对多运动目标进行了提取。以179帧图像序列为实验样本对两种方法进行了对比实验,结果显示相邻帧差分法相对于背景差分法一共丢失了159 461像素。对于提取后的运动目标,处理步骤主要为图像预处理、目标检测识别和分割。在Matlab软件中实现了基于背景差分法对多运动目标的检测识别和分割,达到了预期的要求。     

基于MATLAB的静态手势分割与识别研究

设计了手势的分割与识别程序系统,采用USB摄像头作为单目视觉下的视频输入设备,结合MATLAB软件对采集的目标图像进行识别。结合基于运动的手势分割与基于肤色的手势分割2种手势分割方法,提取运动肤色区域,通过计算此区域的均值与方差矩阵更新高斯模型,设定合理的肤色相似度阈值检测出图像中的肤色区域,从而将手势图像从背景中分割出来。最后,利用模板匹配的方法,对分割出来的手势进行快速识别。实验证明,程序具有很好的分割效果,在复杂环境下对裸手手势识别的成功率大于90%。     

图像分割中阈值法的研究

图像分割是由图像处理到图像分析的关键步骤,是一种基本的计算机视觉技术。对图像进行分割的方法有很多种,从分割操作策略上讲,可以分为基于区域生成的分割方法,基于边界检测的分割方法和区域生成与边界检测的混合方法。图像分割算法都是基于像素亮度值的相似性和不连续性来计算的,针对阈值图像分割的问题,在相似性的基础上依据实际应用评判标准,将具有相似性的图像区域划分到同一空间中进行迭代计算,并基于VisualC++软件环境进行算法的仿真,该系统能够对图像中的目标部分进行提取,较好的实现了图像分割。     

视觉可量测实景影像的道路交通标志自动检测

提出了一种基于颜色和形状神经网络的视觉可量测实景影像交通标志自动检测算法.该算法设计了2种类型的概率神经网络,一种可以将图像中像素分为黄色、红色、蓝色和其他颜色4类;另一种可以识别三角形、圆形、矩形和倒三角形4种形状.从而先利用颜色识别神经网络对影像进行颜色分割;然后,在分割后的二值图像上利用灰度投影确定交通标志的候选区域;最后,利用中心投影向量和形状识别神经网络,实现候选区域的形状判断和交通标志自动检测.使用车载三维数据采集系统拍摄的视觉可量测实景影像进行了实验,证明了该方法的有效性和鲁棒性.     

基于谱聚类的高分辨率全色遥感影像分割

为了协调高分辨率全色遥感影像区域和边界的最优分割,提出了一种基于像素邻域和光谱特征的谱聚类高分辨率全色遥感影像分割方法。该算法重点着手于构建影像图模型,在其中引入像素邻域作用并充分顾及像素光谱测度差异。假定邻域像素具有连接关系,并在此基础上构建影像连接矩阵,再考虑像素光谱测度差异的影响建模像素间相似性,最终结合像素连接性和相似度构建影像权值矩阵完成图模型建立;而后在图模型的基础上,采用对权值矩阵特征分解并就分解结果进行选择的方式将影像数据变至低维特征空间,进而对获取的新数据执行FCM聚类算法达到影像分割目的。为了验证提出算法的有效性,分别对模拟影像和高分辨率全色遥感影像进行分割实验,定性、定量的评价结果表明了该算法的可行性与优越性。     

基于均值漂移的红外舰船图像分割算法

提出了一种有效的舰船红外目标图像分割算法,利用均值漂移分割算法的二维灰度和灰度邻域信息,滤除了海面的强杂波干扰,同时又不会损失舰船目标信息。利用不同类别的灰度权重,将红外舰船图像分割成为天空、海水和舰船3类,从而将舰船从图像中有效地分割。由于采用区域节点和灰度直方图来表征图像,与原始图像像素节点表征图像相比,区域节点的个数远远小于原始图像像素节点,从而提高了算法计算效率。计算结果也表明,该算法能够在海面强杂波的干扰下,有效地提取红外舰船目标。     

基于遗传算法和神经网络的零件图像识别研究

从用遗传算法优化神经网络和以零件图像的相对边缘像素系数作为零件特征的方法出发,提出了零件图像识别的方法.首先,对零件图像分别进行小波多尺度边缘检测,获取零件图像的相对边缘像素系数作为特征样本.然后,应用遗传算法优化神网络的连接权值,用特征样本进行网络训练,获取遗传神经网络并对零件图像进行识别.实验结果表明,文中提出的方法是有效的.     

基于神经网络和不变矩的路面破损图像识别

提出了一种应用BP神经网络识别沥青路面破损图像的图像分割方法.将路面图像等分,用灰度方差值描述子块图像特征,利用BP神经网络对子块图像进行模式分类,并将图像子块模式矩阵的不变矩作为图像的整体特征,在此基础上设计了基于全局优化算法的前馈神经网络分类器,并进行了图像识别试验,对二值图像进行特征提取,提出了学习算法,以加快收敛速度,从而实现图像识别.     

基于像元相互关系的FCM聚类分割算法

针对传统模糊C均值(FCM)算法在图像分割时未考虑像元间的相互关系,且未事先给出初始聚类中心的问题,提出了一种考虑像元间相互关系的FCM聚类分割算法。该算法基于数据场原理,首先利用像元间的相互关系,通过计算各像素点的势值,形成图像数据场,然后利用图像数据场势心,确定FCM算法的初始聚类中心,最后在图像数据场的基础上,利用FCM算法实现对目标图像的聚类分割。利用人工合成图像和工件表面缺陷图像对算法的有效性进行验证,实验结果表明,该算法具有较好的分割效果,且对于条痕、脱碳、孔洞3种缺陷的不同噪声图像分割的正确率均在93%以上,同时具有较高的平均结构相似性。     

基于分水岭变换和图论的图像分割方法

提出了一种融合分水岭变换和图论的图像分割方法.利用图像的局部灰度信息进行分水岭变换后,将图像分割成多个小区域,再结合各小区域的灰度和空间信息从全局角度用Normalized Cut方法在区域之间进行分割,产生最终的分割结果.实验结果表明,该方法可以消除分水岭变换后所产生的过分割现象,是一种有效的图像自动分割方法.     

基于图论的交互式图像分割算法研究

交互式图像分割方法的应用越来越广泛,本文提出了一种新的基于图割的交互式图像分割方法。该方法将像素的灰度信息和空间信息结合起来建立图模型,利用预流算法快速计算出该模型的最小割集,实现图像分割,有效地降低了运算的时间复杂度,提高了分割准确度。     

重轨图像增强与边缘提取的关键技术

针对重轨图像两个边缘像素特征不一致,传统边缘算子检测法难以精确提取边缘的问题,提出了一种新的边缘提取方法.该方法利用灰度强对比度拉伸算法对重轨表面和背景进行差异化拉伸增强边缘信息,削弱背景信息.运用最大方差比算法选取增强后图像的最佳阈值实现二值化.最后,运用递归连通域标识法定位边缘像素坐标,完成图像分割.对随机选取的30幅图像进行分析表明:处理后的图像边缘灰度特征明显增强,有效地抑制了表面纹理及虚假边缘.重轨表面像素宽度波动减少到-0.64％～0.34％.离散预处理算法通过遍历寄存器全局数组,减少分割时间至10.165 s.该方法在抗干扰性、准确性及时效性等方面优于传统边缘算子检测法,适用于在线工业检测系统.     

An algorithm of image segmentation for overlapping grain image

1Introduction Imagesegmentationisprimaryissueinim ageprocessing,atthesametimeitisprincipal probleminlowlevelvisionincomputervision field.Itisthekeytechnologytoprocessimage analysis,imagecomprehensionandimagedepic tionsuccessfully.Imagesegmentationmeans thatpendingprocessingimageisdividedinto severaldifferentareaswhichhavespecialmean ingandhavenotintersectantmutual.Theimage segmentationisinwideuse,butuptonow,thereisnotuniversalmethod,andthereisnot objectivecriterionwhichjudgethatifitissuc cessf…     

Identification of fat,protein matrix,and water/starch on microscopy images of sausages by a principal component analysis-based segmentation scheme

A color-based segmentation scheme applied to microscopy images of cryosectioned sausages is proposed. The segmentation scheme is capable of segmenting three different levels on the microscopy images: the fat particles, the protein matrix, and water/starch. The method is based on principal component analysis. A user-friendly program was developed for the manual segmentation of a selection of image pixels by microscopists. Principal component models based on the manually classified pixels are then used to segment fat, protein matrix, and starch/water on microscopy images. The program can also be used as a training tool for microscopists.     

Automatic segmentation of fluorescence lifetime microscopy images of cells using multiresolution community detection—a first study

Inspired by a multiresolution community detection based network segmentation method, we suggest an automatic method for segmenting fluorescence lifetime (FLT) imaging microscopy (FLIM) images of cells in a first pilot investigation on two selected images. The image processing problem is framed as identifying segments with respective average FLTs against the background in FLIM images. The proposed method segments a FLIM image for a given resolution of the network defined using image pixels as the nodes and similarity between the FLTs of the pixels as the edges. In the resulting segmentation, low network resolution leads to larger segments, and high network resolution leads to smaller segments. Furthermore, using the proposed method, the mean‐square error in estimating the FLT segments in a FLIM image was found to consistently decrease with increasing resolution of the corresponding network. The multiresolution community detection method appeared to perform better than a popular spectral clustering‐based method in performing FLIM image segmentation. At high resolution, the spectral segmentation method introduced noisy segments in its output, and it was unable to achieve a consistent decrease in mean‐square error with increasing resolution.     

采用环形模板的棋盘格角点检测

曝光过度和镜头畸变将分别导致棋盘格角点分离和角点局部区域不对称现象。现有的角点检测算法通常难以准确提取棋盘格角点。此外,在复杂背景下,现有角点检测算法也极易出现错误。针对上述问题,本文提出了一种图像坐标系下的基于环形模板的棋盘格角点检测算法。首先,通过分析得出棋盘格角点附近的灰度分布应满足一定的对称性和灰度交替性等性质,进而得出环形模板卷积后的图像应满足的性质。而后,利用该性质来定义并提取棋盘格角点,使提取的角点直接达到亚像素精度。实验结果表明：本文提出的棋盘格角点检测算法在曝光过度,镜头畸变和复杂背景情况下,均能取得较好的棋盘格角点检测效果。将该算法应用于实际摄像机标定,实验结果显示重投影误差在0.3个像素以内。     

An iterative algorithm for cell segmentation using short-time Fourier transform

In this paper, an iterative cell image segmentation algorithm using short-time Fourier transform magnitude vectors as class features is presented. The cluster centroids of the magnitude vectors are obtained by the K-means clustering method and used as representative class features. The initial image segmentation classifies only those image pixels whose surrounding closely matches a class centroid. The subsequent procedure iteratively classifies the remaining image pixels by combining their spatial distance from the regions already segmented and the similarities between their corresponding magnitude vectors and the cluster centroids. Experimental results of the proposed algorithm for segmenting real cell images are provided.