基于非线性扩散滤波的边缘检测和图像测量

提出了一种基于自适应非线性扩散方程滤波的边缘检测方法, 以提高图像测量的精度。首先对原始图像实施一种非线性扩散处理,即沿着等照度线(边缘)的梯度方向实施反向扩散以锐化边缘, 而相反地沿切线方向实施正向扩散以去除噪声和锯齿伪像; 然后应用经典的微分算子来检测边缘。实验结果表明,相对于经典的边缘检测算子, 本算法得到了尖锐而平滑的单像素宽的图像边缘,较好地定位了边缘, 相对误差为0.03。当图像边缘模糊和存在附加噪声时, 测量结果将会受到很大影响。本方法较好地定位了边缘像素, 对于微小尺寸测量显示出它的优越性.     

基于各向异性扩散方程的局部非纹理图像修整与去噪

图像修整(image inpainting)是一种图像插值的方法,它根据丢失信息区域周围的图像信息来猜测和填充这个区域,图像修整属于图像恢复的范畴。利用变分方法导出的各向异性扩散方程对于图像边缘的良好保持特性,而在图像处理中得到了广泛的应用。基于这一思想,本文提出了一种基于各向异性扩散方程的图像修整算法:在填补修整区域的同时,可有效地去除噪声,同时保持边缘信息。理论分析和实验结果表明了这一点。     

带有局部耦合项的双向扩散与图像增强

在过去的十几年中,偏微分方程在图像增强中得到了越来越多的研究和应用。论文提出了一个带有局部耦合项的双向扩散框架。这个框架沿着等照度线(边缘)的梯度方向实施反向扩散以锐化边缘;而相反地沿切线方向实施正向扩散以去除噪声和锯齿伪像。为了进一步控制扩散过程,使其逼近于一个稳定的过程,并消除数值“爆炸”和过冲,笔者在双向扩散方程中增加一个局部耦合项;而且为了保持图像特征,利用图像的方向导数局部地调整非线性扩散系数。实验结果显示,该文算法可以显著地提高被增强图像的视觉质量。     

基于图像的自动驾驶3D目标检测综述——基准、制约因素和误差分析

从高分辨率图像中获取周边目标的精准3D位置和尺寸信息是实现自动驾驶控制和行为决策的基础,因此基于图像的3D目标检测是自动驾驶领域中的研究热点。已有学者对该领域方法论及成果进行了比较详细的综述,但对于导致现有方法检测精度不尽如意的制约因素未能进行深入系统的分析。考虑自动驾驶领域在工程应用方面的要求高,且现有方法以数据驱动类型为主,本文从常用数据集和评价基准、数据影响、方法论的制约因素和误差等角度,对学术界和产业界在3D目标检测方面的研究成果及行业应用进行较为系统的阐述。首先,从学术界探索成果以及自动驾驶行业的应用角度进行概要介绍。然后,从数据采集设备、数据精度和标注信息3方面详细分析总结了KITTI等4个通用数据集,并对这些数据集提出的主要评价指标进行对比分析。接着,从数据和方法论方面分析制约算法性能的主要因素及由此造成的误差影响。在数据方面,制约因素主要是数据精度、样本差异、标注数据量和标注规范;在方法论方面,制约因素主要包括先验几何关系、深度预测误差和数据模态等。最后,对国内外研究现状进行总结,并在数据集、评价指标和目标深度预测等方面提出了未来需要重点关注的研究方向。     

基于双向耦合扩散的保持特征的边缘锐化和图像增强

在过去的十几年中,偏微分方程在图像增强中得到了越来越多的研究和应用.该文提出了一个保持特征的双向耦合扩散框架.这个框架沿着等照度线(边缘)的梯度方向,利用柔和的边缘判定实施反向扩散以锐化边缘;而相反地沿切线方向实施正向扩散以去除噪声和锯齿伪像.为了消除这两个相反的扩散力彼此之间的冲突,将算法分裂为一种耦合的格式,而且为了保持图像特征,利用图像的局部微分几何特征调整非线性扩散系数.实验结果显示,文中算法可以显著地提高被增强图像的视觉质量.     

基于特征驱动的双向耦合扩散 方程的图像去噪和边缘锐化

提出了一个新的能够同时去除图像噪声和锐化边缘的扩散方程模型。根据图像特征, 例如边缘, 纹理和局部细节, 这个特征驱动的双向耦合扩散模型沿着等照度线(边缘)的梯度方向从前向扩散转变为后向(逆)扩散; 而相反地沿切线方向实施前向扩散。为了消除前向力和后向力之间的冲突,将扩散方程分裂为一种耦合的形式; 同时为了保持图像特征,利用图像的方向导数局部地调整非线性扩散系数。实验结果显示, 本文算法能够在去除图像噪声的同时, 有力地增强图像的特征。     

用于不完整数据的选择性贝叶斯分类器

选择性分类器通过删除数据集中的无关属性和冗余属性可以有效地提高分类精度和效率.因此,一些选择性分类器应运而生.然而,由于处理不完整数据的复杂性,它们大都是针对完整数据的.由于各种原因,现实中的数据通常是不完整的并且包含许多冗余属性或无关属性.如同完整数据的情形一样,不完整数据集中的冗余属性或无关属性也会使分类性能大幅下降.因此,对用于不完整数据的选择性分类器的研究是一项重要的研究课题.通过分析以往在分类过程中对不完整数据的处理方法,提出了两种用于不完整数据的选择性贝叶斯分类器:SRBC和CBSRBC.SRBC是基于一种鲁棒贝叶斯分类器构建的,而CBSRBC则是在SRBC基础上利用X2统计量构建的.在12个标准的不完整数据集上的实验结果表明,这两种方法在大幅度减少属性数目的同时,能显著提高分类准确率和稳定性.从总体上来讲,CBSRBC在分类精度、运行效率等方面都优于SRBC算法,而SRBC需要预先指定的阈值要少一些.     

基于双向耦合扩散的自适应图像插值

提出了一种自适应的双向耦合扩散算法:沿着等照度线(边缘)的梯度方向实施反向扩散以增强边缘,而相反地沿切线方向实施正向扩散以去除人工锯齿。为了消除这2个相反的扩散力彼此之间的冲突,将此算法分裂为一种耦合的格式;同时,为了保持图像特征,利用图像的方向导数局部地调整非线性扩散系数。最后将上述算法应用于图像插值。实验结果显示,相比于传统的图像插值算法和一些相关的偏微分方程模型,此图像插值算法可以显著地提高被插值图像的视觉质量。     

面向智慧城市的交通视频结构化分析前沿进展

随着智慧城市建设的不断深入,大量的传感器设备铺置在城市公路和轨道等交通场景,为多维度全方位感知城市交通状态构建了广泛的感知网络,产生了海量的交通视频数据。海量交通视频数据是城市管理的数据宝藏,理解与分析这些数据是智慧城市建设的关键。面对高度冗余的交通视频数据,如何高效准确地挖掘和提取结构化信息,实现对重点目标（如人、车、物）的快速检测、识别与检索,是交通视频处理的核心问题——交通视频结构化分析。交通视频结构化分析包括车辆视频结构化分析、人员结构化分析及其行为分析。其中,车辆结构化作为一个复杂的多步骤任务,主要由车辆的检测、车辆的属性（车牌、车型和颜色）识别以及车辆的检索和重识别等子任务构成。人脸结构化和行人结构化是交通视频中行人结构化智能分析中的两个重要研究方向,主要分析人脸或者行人的一些表观属性。行人行为分析是指对行人在复杂交通环境下做出的动作进行识别和预测。本文从交通视频中的车辆、行人及其行为分析等方面,阐述交通视频结构化分析领域的研究热点及前沿进展,汇总比较国内外的相关成果,并对交通视频结构化分析领域的研究进行总结分析与展望。     

基于变分的保持特征的有噪图像放大算法

针对图像放大后出现边缘模糊的现象,该文考察了典型边缘的特征,利用整体变分思想,提出了一种基于变分模型的有噪图像放大算法。利用导出的偏微分方程和图像边缘的局部梯度信息,该文算法实施一种自适应非线性滤波处理,能够较好地保持图像边缘锐度,同时有效地去除图像噪声。为了保持图像的特征和细节,文章利用图像的方向导数局部地调整正则系数.理论分析和实验结果皆表明此文算法的有效性。