基于形态学和Otsu的固体火箭发动机CT缺陷三维分割

为了能够准确判别固体火箭发动机内部缺陷的性质和可能对发动机造成的危害,需要从三维空间的角度来观察分析.在传统的缺陷分析中,主要是通过观察CT的二维切片序列图像以及对二维图像的主观分析去发现缺陷体.为了对缺陷体进行更为准确、立体地分析,提出对固体火箭发动机工业CT三维体数据进行处理.首先,通过结合形态学和Otsu阈值分割方法对缺陷进行分割和提取;然后,重构出缺陷体三维体数据;最后,对体数据进行三维可视化显示.实验结果表明,该方法能有效、准确地分割和提取固体火箭发动机三维CT图像缺陷,具有较强的鲁棒性.     

一种针对CCSDS-IDC的小波系数图像目标区域提取技术

在卫星上提取图像目标区域是降低传输数据量、提高空间传输链路利用率的重要一环。本文从小波系数相关性的角度,提出一种针对空间图像压缩算法(CCSDS-IDC)的目标区域提取方法,是以图像小波系数LL3子带为起点,以四叉树分解为基础的自适应非均匀矩形分割与合并(ANURSM),将对应背景区域的小波系数与对应目标区域分离。经试验表明,算法能够准确、有效地提取出图像目标区域对应的小波系数,与改进的 CCSDS-IDC 相结合能够有效降低传输数据量并提高图像目标区域质量。     

改进特征和时间融合框架的区分式跟踪算法

文章基于多示例学习的跟踪框架,引入改进型的分布场特征并融合目标时间维度信息,提出了一种新的跟踪算法。新的特征能够更为有效地描述目标的空间结构信息,对于目标模糊、局部遮挡以及细微形变有良好的鲁棒性。加入的目标时间维度信息融合方法,包含了目标的历史信息,同时也能响应目标的外观变化,提高了跟踪器从跟踪异常中恢复的能力。通过对比新算法与其他先进算法在多组测试视频上的跟踪结果,可以发现本文提出的算法具有更为优异的性能,能够在各种复杂情况下对目标进行稳定的跟踪。     

基于NSCT-Gabor特征和脉冲耦合神经网络的SAR图像分割

针对SAR图像目标的精确分割问题,利用非下采样轮廓波变换(NSCT)和Gabor滤波器分别提取图像特征,然后采用脉冲耦合神经网络(PCNN)对目标区域进行增强,提出了一种分割算法。分别对图像进行NSCT分解和Gabor滤波,对NSCT域的高、低频子带系数构造一个特征图,对Gabor滤波的不同尺度构造对应的特征图,对所获取的各个特征图用PCNN进行目标增强,最后对增强的特征图进行合理合并与分割。利用MSTAR SAR数据库中各种干扰强度下的图像进行了实验,结果表明,相比于模糊C均值、马尔可夫随机场等常见的分割算法,所提出的算法分割结果更为准确,同时受噪声干扰更小。     

弹丸目标红外图像的阈值分割算法研究

针对红外弹丸目标图像的特点,在分析比较了几种传统的基于直方图阈值分割算法的基础上,探讨了提高该类算法实时性的途径。结合弹丸目标体积固定的特点,提出了一种基于p率直方图的快速算法。在分割效果上提高了对弹丸目标提取的准确性,在运行时间上与传统直方图阈值分割算法相比平均降低了30%以上。在Matlab环境下进行了仿真,验证了算法的有效性和实时性。     

基于颜色分割的印版网点面积率测量方法

基于机器视觉的印版质量检测角度,提出了一种基于颜色分割的印版图像网点面积率测量方法。首先,通过图像采集设备获取印版网点的显微图像,对采集的印版网点显微图像进行颜色空间转换,利用饱和度信息对变换后的图像进行粗分割;而后依据图像颜色色相信息对其进行精确分割,经过形态学去噪处理后,对分割后的印版显微图像进行像素统计,并计算网点面积率。实验结果表明,基于颜色分割的网点面积率测量方法的测量精度较高,版材适用性较好。     

软分割约束边缘保持插值的半自动2D转3D

半自动2D转3D将用户标注的稀疏深度转换成稠密深度,是解决3D片源不足的主要手段之一.针对现有方法利用硬分割增强深度边缘引入误差的问题,提出像素点与超像素深度一致性约束的边缘保持插值方法.首先,建立像素点深度和超像素深度传播的能量模型,通过像素点与所属超像素间深度差异的约束项将二者关联起来;其次,利用矩阵表示形式将两个能量模型的最优化转换成一个稀疏线性方程组的求解问题.通过超像素提供的约束项,可避免深度传播穿过低对比度边缘区域,从而能保持对象边缘.实验结果表明,本文方法对象边缘处深度恢复的准确性优于融合图割的随机游走方法,PSNR改善了1.5dB以上.     

基于流行度分类的流媒体分段策略

对流媒体内部、外部流行度的特点以及流媒体外部流行度与缓存替换次数的关系进行了分析,并在此基础上,针对流媒体的缓存替换通常集中在某一小段流行度范围的特点,提出了一种基于外部流行度分类的流媒体分段方法,令替换频繁的视频采用较小的分段,而其他替换不频繁的视频采用较大的分段,从而提高缓存空间的利用率.实验结果表明,与均匀分段相比,提出的流媒体分段方法可以用更少的分段数目达到相同的命中率.     

Sparse decomposition method based on time–frequency spectrum segmentation for fault signals in rotating machinery

The impulse signal in large rotating machinery with damage fault is sparse, weak, coupled, and even nonperiodic in intermittent operation. To extract this complex signal is a key topic in machinery fault diagnosis. Sparse decomposition (SD) has excellent adaptability in describing arbitrary complex signals based on over-complete dictionary. However, the pursuit speed of best atom is a serious drawback. To alleviate this, a method of sparse decomposition based on time–frequency spectrum segmentation (SD-TFSS) is introduced. Generalized S transform (GST) provides the capability to show the distribution of vibration signals, but the resolution is susceptible to noise, multiresolution generalized S-transform (MGST) is developed to generate multiresolution time–frequency spectrums. Then, spectrums fusion with an appropriate threshold is adopted to acquire multiresolution binary spectrums and produce an optimal binary spectrum. From this optimal binary spectrum, all the connectivity areas are extracted and marked by spectrum segmentation. Thus, an optimal library can be constructed by selecting the optimal atoms of every connectivity area, and the signal can be expressed with this library. We conduct simulations and experiments demonstrating that the proposed method performs well with lower pursuit complexity, higher decomposition efficiency, and better approximation precision.     

结合深度学习与支持向量机的金属零件识别

目的 在视觉引导的工业机器人自动拾取研究中，关键技术难点之一是机器人抓取目标区域的识别问题。特别是金属零件，其表面的反光、随意摆放时相互遮挡等非结构化因素都给抓取区域的识别带来巨大的挑战。因此，本文提出一种结合深度学习和支持向量机的抓取区域识别方法。方法 分别提取抓取区域的方向梯度直方图（HOG）和局部二进制模式（LBP）特征，利用主成分分析法（PCA）对融合后的特征进行降维，以此来训练支持向量机（SVM）分类器。通过训练Mask R-CNN（regions with convolutional neural network）神经网络完成抓取区域的初步分割。然后利用SVM对Mask R-CNN识别的抓取区域进行二次分类，完成对干扰区域的剔除。最后计算掩码完成实例分割，以此达到对抓取区域的精确识别。结果 对于随机摆放的铜质金属零件，本文算法与单一的Mask R-CNN及多特征融合的SVM算法就识别准确率、错检率、漏检率3个指标进行了比较，结果表明本文算法在识别准确率上较Mask R-CNN和SVM算法分别提高了7%和25%，同时有效降低了错检率与漏检率。结论 本文算法结合了Mask R-CNN与SVM两种方法，对于反光和遮挡情况具有一定的鲁棒性，同时有效地提升了目标识别的准确率。