Contourlet域下基于多尺度特征的声呐图像分割

水下环境复杂多变,导致声呐技术成像后的图像质量差,影响目标识别。为此,提出一种基于Contourlet域下多尺度高斯马尔可夫随机场(GMRF)模型的水平集声呐图像分割算法。采用Contourlet变换及逆变换获取声呐图像各尺度层下的纹理特征,通过GMRF对各层纹理特征建模,以描述局部结构空间信息并降低对噪声的敏感度。根据各层纹理特征模型,对声呐图像进行由粗到细尺度的水平集分割以得到分割结果。实验结果表明,该算法在不同声呐图像中的分割准确度超过90%,优于Otsu算法,且具有较低的复杂度和较强的鲁棒性。     

融合特征点与环状域检测的水下声呐目标匹配

由于水下环境复杂,声呐成像背景噪声大,水下目标匹配存在一定难度,提出了一种SURF算法结合恒虚警算法来提取目标区域特征点对,其次通过环状域检测来进一步寻找最优匹配点对,最后计算最优特征点对之间的几何关系确定尺度变换,旋转变换的大小,对待匹配图像进行旋转校正后可以更精确匹配地目标区域。实验与分析结果表明,计算模板图像与待匹配的目标区域之间的匹配重叠率,可以通过受试者工作曲线直观的看出该算法相比于BBS算法和改进的BBS算法的鲁棒性和抗噪性能更好,平均匹配准确率分别提高了32.59%和16.57%。     

一种改进型的PCNN路面裂缝检测方法

路面病害的视觉自动检测一直是公路养护研究的热点问题,针对传统脉冲耦合神经网络(PCNN)在路面图像分割中的参数选择以及迭代中最佳分割结果的选择问题,提出通过简化脉冲耦合神经网络的模型,对关键参数自适应以及神经元点火条件的改进,以图中最大的裂缝作外接矩形,在迭代去噪过程中,外接矩形面积大大减小或矩形内部出现更多裂缝,表明出现过分割,利用该特征可以确定迭代中止,取上一次迭代结果,并用连通域分割去除细小噪声。通过受试者工作特征(ROC)曲线分析,该算法在裂缝检测上比基于最大熵的脉冲耦合神经网络分割算法提高8.4%,比基于灰度迭代阈值算法的脉冲耦合神经网络算法提高14.7%,提高了裂缝检测的准确率和抗噪性。