多视点稀疏测量的图像绘制方法

为了减少所需采集的视频数据量, 基于图像绘制(Image-based rendering, IBR) 的前沿方法将稠密视点信息映射成压缩感知框架中的原始信号, 并将稀疏视点图像作为随机测量值, 但低维测量信号由所有稠密视点信息线性组合而成, 而稀疏视点图像仅仅来源于部分视点信息, 导致稀疏视点采集的图像与低维测量信号不一致. 本文提出利用间隔采样矩阵消除测量信号与稀疏视点图像位置之间的差异, 进而通过约束由测量矩阵和基函数构成的传感矩阵尽量满足有限等距性, 使得能够获得原始信号的唯一精确解. 仿真实验结果表明, 相比于前沿方法, 本文提出的方法对于不同复杂程度的场景重建都提高了主客观质量.     

显微细胞图像的自动分割

由于细胞组织本身的复杂特性以及显微镜的影响,细胞图像的分割成为图像分割中的一大难题,考虑到边缘检测可以准确的为分割提供边缘点,提出了基于区域一致性测度的边缘检测算法,针对细胞图像的特点,实现其初始轮廓的自动获取,运用活动轮廓模型对初始轮廓进行优化,从而达到在大样本条件下直接对彩色细胞图像自动分割的目的。     

基于边缘检测的图像分割技术浅析

图像分割是图像处理技术中的难点之一,多年来一直受到广大研究者的深入探讨。新的分割算法层出不穷,但是目前提出的算法,几乎都是针对具体的分割对象,而没有一种可以适用于所有情况的分割方法。边缘检测技术是图象处理中重要的一个关键步骤,本文将阐述基于边缘检测的图像分割技术背景,边缘检测的相关技术,同时对图像分割技术的发展进行展望。     

基于多尺度马尔可夫随机场的图像分割

离散马尔可夫随机场(MRF)模型是贝叶斯图像分割中最常用的工具。一般采用双MRF,一个随机场对应于观测图像,另一个随机场对应于未知的分类标号,通过迭代的算法将图像的局部信息逐步传递到整个图像,以求得分割标号的最大后验概率(MAP)或最大后验边缘概率(MPM)估计。近年来提出的多尺度MRF模型(或称因果MRF、分层MRF模     

基于卷积神经网络改进的图像自动分割方法

针对图像序列三维重建中多视角目标分割需要人工参与任务繁重的问题,提出一种基于卷积神经网络改进的图像自动分割方法。首先将序列图像去噪处理、归一化并进行语义标注后制作数据集,然后对改进的融合多尺度特征和残差连接的卷积神经网络进行训练,得到优化后的卷积神经网络分割模型,最后将预分割图像加载到优化的分割模型中得到归一化的掩码图,再利用三次样条插值法将其恢复分辨率后与原图做自定义的掩码操作得到高清分割结果。本文以主流分割软件PhotoShop分割结果为参考标准进行对比,实验结果证明,该方法的准确率与参考标准接近,而且可实现批量自动分割,较好的解决三维重建中目标分割任务繁重的问题。     

一种红外目标图像的自动分割方法

针对红外成像制导过程中运动目标的分割,提出了一种红外目标图像的自动分割方法,它首先对目标红外图像进行多尺度形态滤波,消除背景和杂波的影响同时增强目标的对比度,然后采用连接相对熵准则确定区分目标和背景的最佳门限,最后对得到的二值图再进行形态滤波,得到精确的目标分割图像。实验结果表明该方法效果良好,便于下一步的目标识别和跟踪。     

基于边缘分割的多光谱图像融合方法

对于高分辨率的全色图像与低分辨率的多光谱图像,通常采用传统的IHS方法进行融合。这种融合方法能很好地提高低分辨率图像的清晰度,但却容易扭曲原始的光谱特性,产生光谱退化现象。针对这一问题,本文采用高分辨率与多光谱图像的边缘分割信息对I分量进行调制,使新生成的I分量保持原始的光谱特性。通过融合实验结果表明,这种方法比传统的IHS方法有效地改善了融合图像光谱失真的现象。     

基于目标识别与显著性检测的图像场景多对象分割

提出了一种基于目标识别与显著性检测的图像场景多对象分割方法。该方法的步骤包括:在图像训练集上训练语义对象的检测器,用来检测输入图像中对象的位置,标定对象的包围盒;对输入的图像进行过分割处理,得到超像素集合,根据包围盒的位置和超像素的语义概率值计算兴趣区域;在3种稠密尺度上进行场景显著性检测,得到输入图像的显著图;在兴趣区域内计算超像素的邻接关系,形成邻接矩阵,构建条件随机场模型,将多对象分割问题转化成多类别标记问题,每一个对象是一种类别;以每个超像素作为场模型的节点,超像素的邻接关系对应场模型中节点之间的连接关系,将显著性和图像特征转化为节点和边的权重值;利用图割算法,在条件随机场模型上进行优化,迭代终止时得到像素的对象标记结果,从而实现对多个对象的分割。实验结果表明该方法效果较好。     

脊柱MR图像自动分割方法的研究

脊柱磁共振（magnetic resonance,MR）图像精确分割是脊柱配准、三维重建等技术的前提。传统脊柱MR图像分割方法过程繁琐,精度低。为克服传统方法弊端,提出了一种基于深度学习的脊柱MR图像自动分割方法。该方法构建对称通道卷积神经网络提取多尺度图像特征,通过残差连接解决训练中网络退化问题,同时用跳跃连接层连接中间层特征减少信息丢失。在搭建的网络模型中加入卷积块注意力机制关注空间和通道中的有效特征。实验结果表明,该模型在测试集上的平均DSC系数为0.861?9,相比FCN、U-Net、DeeplabV3+和UNet++网络模型分别提高了15.34%、7.08%、5.79%、3.1%。该模型可应用于临床实践中提升脊柱MR图像的分割精度。     

基于指纹的图像分割方法比较

本文用两种图像分割的方法,阚值分割和边缘检测分割处理指纹图像,通过比较处理后的图像,认识到图像分割的意义,并明确阈值分割和边缘检测分割方法,得出在何种情况下适合使用何种分割方法。     

多阶U-Net甲状腺超声图像自动分割方法

甲状腺超声图像广泛应用于甲状腺相关疾病的诊断。针对甲状腺超声图像对比度低、边缘模糊以及散斑噪声严重等问题,提出一种基于多阶U-Net的深度卷积网络模型,用于实现甲状腺腺体与甲状腺结节的自动分割。该模型以U-Net为基本网络框架,通过不断进阶的特征融合,以实现图像边缘的信息提取。同时,在模型中使用了一种多尺度残差卷积模块以进一步提升分割精度。对比实验结果表明,该模型相较于其他方法能够获得更好的分割结果,具有一定的临床应用价值。     

遥感图像三维目标多视点建模识别方法

研究利用遥感灰度图像识别三维目标时的问题，提出一种基于多视点模型的匹配识别方法。使用3D广义锥模型投影得到二维视面模型，用于描述不同视点下的目标视面，并用几何结构特征来检索模型库。匹配过程层次地使用全局的与局部的、统计的与结构的目标识别特征，分为检索和精确匹配两个步骤完成。通过实验验证了该方法的有效性。     

基于自动多种子点的图像分割技术

在水面图像区域分割中,分别选用了自适应直方图阈值、边缘检测和区域生长的方法对倒影区域进行了分割,分析了3种方法的局限性,并结合直方图阈值和区域生长给出了一种自动多种子点区域生长方法。实验结果表明,该方法算法实现简单,能有效提高分割质量,达到了预期效果。     

视频对象自动分割算法

提出了一种基于小波变换和运动边缘检测的自动视频对象分割方法。该方法对相邻帧分别进行二维小波变换，在小波域进行变化检测和Canny边缘提取，返回空间域后得到鲁棒的相邻帧差分边缘模板。结合当前帧边缘、背景边缘和前一帧的运动边缘，检测出当前帧对象的运动边缘，从而实现对视频对象的提取。通过实验验证，该算法对目标的整体运动和局部形变都有较强的适应性。此外，算法还具有快速、简便、准确性高的特点。     

采用统计推断的自动视频对象分割

在新一代MPEG－4视频编码标准中，为了支持面向对象编码和实现基于内容的应用，视频对象（VO）的自动分割成为关键技术之一，减背景法是视频对象自动分割的基本方法，但是不同的环境光照条件常常给视频对象的分割带来困难，提出一种基于统计推断的减背景法。该方法首先建立背景统计模型，然后对后续帧进行假设检验，从而分割出视频对象。文中算法采用HSV颜色空间，通过对背景统计模型中各颜色分量的有效分析和区别使用，能够很好地适应不同的环境光照条件。实验表明，文中算法能够在各种光照环境下自动地实现视频对象的准确分割。     

带钢缺陷图像的自动阈值分割研究

文章根据带钢缺陷图像的特点,提出了基于灰度统计特性的图像边缘检测方法,结合纹理检测、聚类分析,实现了对带钢缺陷图像的自动阈值分割。实验结果表明,该方法具有在精度和速度方面的优势,适合对带钢表面图像的缺陷进行实时检测。     

自适应区域生长算法在医学图像分割中的应用

提出一种通过计算种子点附近邻域统计信息,自适应改变生长标准参数用于医学图像分割的算法．在切片图像预处理过程中,考虑到体数据相邻切片之间高度的相关性,在相邻层之间采取高斯核滤波去除噪声,并通过各向异性滤波算法对该层切片进行滤波．实验结果表明,该算法可有效地提取出图像区域,具有较好的鲁棒性．     

面向多种场景的视频对象自动分割算法

针对当前应用于视频对象分割的图割方法容易在复杂环境、镜头移动、光照不稳定等场景下鲁棒性不佳的问题,提出了结合光流和图割的视频对象分割算法.主要思路是通过分析前景对象的运动信息,得到单帧图像上前景区域的先验知识,从而改善分割结果.论文首先通过光流场采集视频中动作信息,并提取出前景对象先验区域,然后结合前景和背景先验区域建立图割模型,实现前景对象分割.最后为提高算法在不同场景下的鲁棒性,本文改进了传统的测地显著性模型,并基于视频本征的时域平滑性,提出了基于混合高斯模型的动态位置模型优化机制.在两个标准数据集上的实验结果表明,所提算法与当前其他视频对象分割算法相比,降低了分割结果的错误率,有效提高了在多种场景下的鲁棒性.     

基于双层模型的宫廷服饰龙纹自动分割算法研究

宫廷服饰纹样蕴含着丰富的文化内涵,但由于缺少像素级语义标注的数据库,使 得宫廷服饰纹样精准分割成为极具挑战的问题。为此,提出一种融合深度学习和 GrabCut 算法 的双层模型,实现目标检测和分割功能。分析不同深度卷积神经网络的特点,在模型目标检测 层(ODL)选择使用二阶段目标检测框架中的 R-FCN 方法;在模型分割层(SL)使用基于图论的 GrabCut 算法产生最终分割结果。在宫廷服饰图像数据集上进行仿真实验,证明基于深度卷积 神经网络和 GrabCut 算法的双层模型可以产生较好的分割效果。     

基于改进的JSEG算法的图像分割

针对JSEG算法在图像分割中出现的明显过分割现象,提出一种基于边缘信息的JSEG[1]改进方法。该方法首先将图像的颜色空间转换为LUV颜色空间,用PGF（Peer Group Filtering）[2]算法对图像进行平滑去噪,用分裂算法确定图像的类数,用GLA（Generalized Lloyd Algorithm）[3]算法完成量化,生成＂类图＂。然后计算每个像素的J值,并利用Canny算子检测的边缘信息,对J值进行修正,计算每个像素的局部相似程度,并在不同的尺寸下构建J图像,这样就能反映出最有可能的边界位置。最后在J图像上进行种子区域增长,直到获得最终的分割结果。实验结果表明该方法可以有效地改善JSEG算法在图像分割中存在的过分割现象。