2维对称交叉熵图像阈值分割

现有阈值分割方法中所用的交叉熵不满足距离度量对称性,且算法运行速度尚有提升空间,为此提出基于分解的2维对称交叉熵图像阈值分割方法。首先通过运用对称交叉熵描述分割前后图像之间的差异程度,分别导出1维和2维对称交叉熵阈值选取公式,给出相应的2维快速递推算法,计算复杂性由穷举搜索的O(L4)降到O(L2);然后将2维对称交叉熵法的运算转换到两个1维空间上,计算复杂性进一步降低到O(L)。实验结果表明,与现有的2维非对称交叉熵法相比,该方法具有更强的抗噪性,运行时间大幅减少,是一种更有效的2维交叉熵阈值分割方法。     

基于Tent映射CPSO和车牌纹理特征的车牌定位

针对现有车牌定位算法定位准确率不高和速度慢等问题,结合车牌纹理特征,提出了一种基于Tent映射混沌粒子群(CPSO)的车牌精确定位算法.首先用基于二维直方图区域斜分的OTSU方法对车牌图像做二值化处理;接着使用三组一维滤波器获取其二值纹理特征向量.然后利用基于Tent映射CPSO快速准确的全局搜索能力,结合二值纹理特征向量构造适应度函数,并引入车牌纹理的一致性度量作为判决条件,找到车牌区域的最佳定位参量.最后,与基于遗传算法(GA)和基本粒子群算法(BPSO)的定位方法进行了比较.实验结果表明,该方法适应性强,定位效果较好,运行时间更短.     

基于K-L展开式的车牌倾斜校正方法

在车牌识别系统中,为提高后续字符分割和识别的效果,需要对定位后的车牌图像进行倾斜校正.本文提出了一种基于Karhunen-Loeve展开式的车牌倾斜校正方法.首先对车牌图像进行垂直边缘检测;然后利用K-L展开式推导出垂直边缘点在最小均方误差意义下的特征直线,由此确定车牌的倾斜角度;最后通过双线性插值方法校正车牌.文中给出了实验结果,并与车牌倾斜校正的Hough变换法、旋转投影法进行了精确度、算法复杂度及运算时间的比较,结果表明,本文提出的方法精确度高、复杂性低、鲁棒性好、实时性强.     

基于最小一乘背景预测的红外小目标检测算法

本文提出了一种基于最小一乘背景预测的红外小目标检测算法.首先在建立最小一乘准则背景预测模型的基础上,根据最小一乘估计的性质,应用线性规划的方法解决最小一乘估计中极值的选取问题;然后将原始图像与预测图像相减得到预测残差图像;最后利用基于二维指数熵的图像阚值选取快速算法进行分割.文中给出了实验结果与分析,并与基于最小二乘背景预测的检测算法作了比较.实验结果表明,本文提出的算法具有更高的检测概率,优于基于最小二乘背景预测的检测算法.     

基于复Contourlet域非线性扩散的图像去噪

提出了一种将复Contourlet变换与非线性扩散相结合的图像去噪方法。首先对图像进行复Contourlet分解,然后高频部分和低频部分分别采用自适应对比度扩散和全变差扩散,最后重构图像。给出了实验结果,并与基于小波、基于Contourlet和基于非下采样Contourlet的非线性扩散方法的图像去噪效果进行了主观视觉上的比较,同时也依据均方差(MSE)、峰值信噪比(PSNR)等评价指标作了定量分析,且对比了各算法的运行时间。结果表明,本文提出的方法去噪效果更为优越:不但抑制噪声的能力更强,而且能够更好地保留图像原有的边缘和纹理特征。     

基于深度学习的三维点云分析方法研究进展

点云是目前自动驾驶、机器人、遥感、增强现实(AR)、虚拟现实(VR)、电力、建筑等领域最常用的三维数据处理形式,深 度学习方法能够处理大型数据,且可自主提取特征,因此点云深度学习方法已逐渐成为研究热点。 本文综述了近十年来基于深 度学习的三维点云分析方法的研究进展。 首先给出了三维点云深度学习的相关概念;然后针对点云目标检测与跟踪、分类分 割、配准和匹配以及拼接这 4 种任务,分别阐述了相应的深度学习方法的原理,分析并比较了各自的优缺点;随后整理了 18 种 点云数据集和 4 种点云分析任务的性能评价指标,并给出了性能对比结果;最后总结了点云分析方法目前存在的问题,对进一 步的研究工作进行了展望。     

2维最大类间平均离差阈值选取快速递推算法

阈值分割是广泛使用的最为有效的图像分割方法之一。阈值选取是阈值分割的关键。Otsu提出的基于L2范数的最大类间方差法是备受关注的一种方法,而基于L1范数的最大类间平均离差法则更为简捷,效果很好。2维最大类间平均离差阈值选取方法分割精确、抗噪性能好,其效果优于2维最大类间方差法,但存在计算量大、难以实用等缺点。提出了2维最大类间平均离差阈值选取的两种不同的快速递推算法,都可将计算复杂性由O(L4)减少为O(L2)。给出了2维最大类间平均离差两种快速递推算法的分割结果及运行时间,并与原始算法及原有的快速算法进行了分析和比较。实验结果表明,这两种递推算法都可以大幅度地提高运算速度,运行时间可减少到原始算法的0.1%,使2维最大类间平均离差阈值分割方法更为实用,目前已被应用于红外目标、车牌、指纹等自动识别系统中。     

基于NSST和人眼感知保真约束的图像自适应增强

鉴于现有的图像增强方法在提高图像对比度、清 晰度等方面仍存在不足,提出了基于非下采样剪切波变换 (NSST,non-subsampled shearlet transform)和人眼感知保真约束的自适应 增强方法。首先对输 入图像进行NSST,分解为一个低频子带图像和多个高频子带图像;然后利用非线性增益 函数增强高 频子带系数,同时对低频部分进行分块局部增强;考虑到传统分块局部增强存在局部图像块 间不连续进而 导致失真的情况,引入了人眼感知保真约束条件,并将其转化为求解一个典型的线性优化问 题,由此获取 增强参数,实现低频部分的增强;最后融合处理后的高低频子带系数,重构出期望的增强 图像。大量实验 结果表明,与近年提出的4种同类方法相比,本文方法所得增强图像的主观视觉效果更好 ,在清晰度、 局部对比度以及全局对比度等定量评价指标上平均高出50%,且实时性良好。     

纯虚乘子FFT的最快速算法

本文定义了四种类型的ＤＦＴ（即ＤＦＴ一ｊ，ｊ＝Ⅰ，Ⅱ，Ⅲ，Ⅳ），探讨了四种ＤＦＴ之间的联系以及其固有特性，由此提出了适合于长度Ｎ＝２ｍ所有四种类型ＤＦＴ的纯虚乘子最快速算法。文中导出了用Ｋｒｏｎｅｃｋｅｒ直积与直和形式表示的算法公式；以长度Ｎ＝２３为算例给出了信号流图；分析了算法的运算量，并与传统的基２算法、基４算法以及现有的其它三种纯虚乘子ＦＦＴ算法进行了比较。结果表明，本文提出的算法所需运算量最少，用纯虚数作乘子，可进行原位计算，结构简单规则，易于实现。本文算法己用软件实现，并在实际中得到应用。     

基于Krawtchouk矩和支持向量机的火焰状态识别

监测炉膛火焰燃烧状态对防止锅炉爆管起着重要作用。为了进一步提高火焰图像特征提取的准确度和燃烧状态的识别率,文中将Krawtchouk矩引入火焰特征提取,提出了一种将Krawtchouk矩不变量与小波支持向量机相结合的火焰燃烧状态识别方法。首先计算火焰图像的Krawtchouk矩及Krawtchouk矩不变量,以此构造火焰图像的特征向量;然后根据训练样本的特征向量构造支持向量机,对火焰图像进行状态识别,并采用混沌小生境粒子群算法优化支持向量机中的核函数参数与惩罚因子,使其识别性能最优。大量实验结果表明:与基于Hu矩和支持向量机的方法、基于Zernike矩和支持向量机的方法相比,采用Krawtchouk矩不变量作为火焰图像的特征能更好地对火焰图像燃烧状态进行识别,识别率大大提高,且结果与实际情况相符。