一种高分辨率影像道路中心线提取算法

针对传统道路提取算法欠缺几何特征的考虑以及中心线提取不光滑的问题,提出一种基于形状特征和多元自适应样条回归(MARS)的遥感影像道路中心线提取算法.算法首先改进了传统的长宽比指数,然后利用该指数对遥感影像分割结果进行滤波,提取线性特征;在此基础上,结合光谱特征从线性特征中提取纯净道路段,最后利用多元自适应样条回归算法提取道路中心线.采用Matlab语言编程实现道路提取算法,并采用3幅高分辨率遥感影像对算法进行了验证.试验结果表明:改进后的长宽比指数可以有效地提取线性特征;同时,相比于传统的道路中心线提取算法,利用多元自适应样条回归算法提取的中心线更加光滑.     

基于核FLD和形状特征识别的高分辨率遥感影像道路提取

提出了一种基于Fisher Linear Discriminant(FLD)分类和形状特征识别的道路提取算法.首先,对图像中标记的样本进行色彩信息的提取;然后利用基于核函数的FLD对图像进行特征训练分类,将影像分为道路和非道路两类;接着利用道路的形状特征识别提取道路;最后利用形态学对道路网进行优化.实验证明,与传统道路提取算法相比,在干扰较大及存在弯曲道路的环境下,本方法有着更优的鲁棒性和有效性.     

基于基本图像特征的中朝文种辨识方法

提出了一种基于基本图像特征、适用于不同分辨率自然文本图像的中朝文种辨识方法.在训练阶段,首先构造标准文字图像库,然后提取文字的形态学骨架,最后利用骨架的基本图像特征来训练BP神经网络;在辨识阶段,首先对自然文本图像进行倾斜校正后做二值化处理以提高字符分割的效果,然后进行垂直投影、水平投影、字符分割和提取每个字符的骨架信息,最后基于字符骨架的基本图像特征利用BP神经网络来进行文种辨识.实验表明,本文提出的方法在中朝文种辨识中综合辨识准确率可达到87%.     

基于Meanshift和Hough变换的秧苗行中心线提取

针对传统的作物中心线提取方法易受作物种植间隙和噪声的影响,利用Meanshift算法能有效去除作物种植间隙和细小噪声的影响和Hough变换抗干扰能力强的特点,提出基于Meanshift和Hough变换的秧苗行中心线提取方法。该算法首先对水稻图像进行超绿变换(2G-R-B)和阈值处理,成功分离了目标与背景、减少了噪声并且提取出秧苗行的二值图像;然后对二值图像应用Meanshift算法去除叶片间的间隙和细小的噪声;最后应用Hough变换提取出秧苗行中心线。实验结果表明:相对传统的作物中心线提取方法,该算法获得的结果鲁棒性好,精确度高。     

基于SAR图像的道路损毁信息提取

提出了一种基于多时相SAR图像的道路损毁信息提取方法。该方法首先采用粒子滤波进行道路中心线提取,针对山区的复杂环境对图像预处理和粒子滤波过程进行了调整,能正确识别山区道路中心线;然后,根据道路损毁在SAR图像中的特征,建立了道路损毁模型,实现了道路损毁信息提取。实验结果表明,该方法提取的道路损毁信息准确度大于80%。     

基于小波阈值和投影寻踪的非监督高光谱影像目标探测算法

针对高光谱影像的非监督目标探测问题,提出了一种基于小波阈值与投影寻踪遗传算法相结合的目标探测方法:首先对图像进行小波分解,进而利用折中阈值函数计算小波变换系数,再通过逆变换实现图像去噪和重建;采用对异常分布敏感的偏度和峰度作为投影指标,利用实数编码的遗传算法搜索最佳投影方向,有效地将目标信息投影至低维空间;最后采用直方图分割提取目标。利用高光谱影像进行一系列实验,结果表明该方法不仅更为有效地去除了图像噪声,而且能够快速、可靠地检测出目标。     

基于图像的水泥路面裂缝识别方法及应用

针对水泥路面图像裂缝识别过程中造成主要干扰的接缝问题,提出利用水平投影的方法去除接缝的算法,从而获得路面裂缝识别结果.首先用小波变换提取图像高频信息,获得包含裂缝、接缝及噪声的二值化图;再根据投影峰值特征,判断图像中是否包含接缝、确定接缝位置,将找到的接缝去除,得到裂缝识别结果.实验结果表明,新算法可以有效地去除水泥路面图像中的接缝,实现水泥路面裂缝的自动识别.     

基于深度学习法的视频文本区域定位与识别

通过对视频图像进行快速、准确的文本定位与识别,有利于提高视频信息处理的效率与准确率.采用Gabor滤波器实现在横、竖、撇、捺四个方向上的视频图像的纹理特征的提取,再通过RBM逐层增量深度学习算法构建深度置信网络,实现对提取的纹理特征图像中文本区域的定位.论文同时研究了利用形态学处理方法和OCR字符库实现对视频图像文本识别的可行性,并分析了识别效果.测试结果表明,本文提出的深度学习算法与形态学字符识别方法相结合,不但能够实现对视频图像文本区域的准确定位,还有利于提高字符识别的效率和准确率.     

基于阈值分割和形态学的高分辨率遥感影像道路提取

高分辨率遥感影像道路提取已经成为相关领域的研究热点和难点,利用阈值分割法将原始影像二值化,然后利用数学形态学中腐蚀、膨胀、开运算和闭运算对阈值化的影像进行处理,分析了不同方法对道路提取的影响.最后,针对光谱特征相近的建筑物和道路,提出利用形状特征进行进一步实现道路提取.文中利用VC开发了道路提取的原型系统,并对实验结果进行了分析,证实了文中道路识别方法的有效性.     

基于生成对抗网络的无人机图像道路提取

该文基于TensorFlow开发平台,搭建了生成对抗网络模型,通过无人机遥感图像预处理、道路标签制作、网络训练和算法改进,完成了道路特征信息的深度学习,固化了生成网络参数,实现了基于无人机图像的低等级道路信息自动提取的科学目标,并通过形态学处理进一步增强了道路的提取效果。通过分析不同特征道路提取的信息,证明了本方法对利用高分辨率无人机图像提取低等级道路信息具有较好的借鉴作用。     

人脸图像嘴巴特征点自动提取系统

利用彩色人脸的特点，设计一个初步的人脸图像嘴巴特征点的自动提取系统。通过水平投影和垂直投影确定嘴巴的矩形区域，然后在嘴巴所在的矩形区域内提取6个特征点，并且由这6个点拟合五段二次抛物线，由此描绘出嘴巴的边缘轮廓。实验证明，该方法可以有效地提取嘴巴的特征点并较精确地描绘出嘴巴的轮廓.     

基于环投影向量模板匹配算法的高分辨率遥感影像道路检测

提出一种改进的环投影向量模板匹配算法,用于检测高分辨率遥感影像中的道路。该方法对计算环投影值起关键作用的参数Ck进行了改进,优化了环投影值及向量。为了提取更准确的道路中心线,其将环中心点特征加入向量中并给向量赋予不同的权值。实验结果证明,该方法具有较好的鲁棒性,并且提高了道路检测的速度。     

基于焊缝图像信息的光条纹中心线提取

为准确快速提取不同坡口的焊缝特征信息,采用改进Steger算法在滤波去噪后的二值图像中提取出光条纹中心线。首先,将原图像与Otsu法相结合得到包含所有结构光条纹的矩形区域,利用高斯函数的可分离性将图像的二维高斯卷积进行简化,用一次高斯行卷积和一次高斯列卷积进行替代,从而减少运算量。由实验结果可知,改进后的算法不仅能更加准确地提取焊缝光条纹中心线,而且能够提升运行速度,满足实时性的要求。     

基于彩色和边缘信息融合的道路分割算法

为了提高非结构化道路识别算法的有效性，提出了一种道路分割的新方法，建立了道路区域和非道路区域混合高斯彩色模型，根据像素隶属于彩色模型的概率进行基于彩色信息道路分割.利用彩色分割的结果对提取的图像边缘进行有效约束，抑止大量非道路边沿所产生的图像边缘.并且将彩色分割结果和道路图像的边缘信息融合，利用道路图像边缘信息对真实道路边沿定位的精确性和彩色信息对道路区域分割的适应性，通过动态规划算法求解出真实的道路边沿.实验结果表明，提出的新方法可以有效地分割出道路区域，对各种路况具有良好的适应性.     

基于焊缝图像信息的激光条纹中心线提取

为准确快速提取不同坡口的焊缝特征信息,对滤波去燥后的二值图像采用改进Steger算法提取出激光条纹中心线。首先,将原图像与阈值法相结合得到ROI区域,再根据高斯函数的可分离性,把图像的二维高斯卷积等效为一次高斯行卷积和一次高斯列卷积,从而减小运算量。实验结果表明,该焊缝识别算法能够准确的提取焊缝激光条纹中心线,且能够提高处理速度,满足实时性的要求。     

基于RFS和ART的高光谱图像主成分提取方法

针对传统高光谱图像主成分提取方法受数据分布状态和噪声影响大的缺点,提出基于区域特征光谱的ART(Adaptive Resonance Theory)神经网络主成分提取算法.首先通过多方向阈值空间邻域聚类提取区域特征光谱作为ART的输入模式,利用ART网络的自适应特性获取地物光谱矢量特征,并通过对光谱矢量聚类完成图像的主成分提取.对高光谱图像仿真结果表明:通过提取区域特征光谱,神经网络的数据处理量减少了约97%;算法能够较准确地提取图像主成分且提取效果明显好于K-均值算法.     

基于ViBe的端到端铝带表面缺陷检测识别方法

针对铝带表面缺陷高精度检测要求以及传统算法识别率不佳的问题,提出端到端的表面缺陷检测与识别方法.从铝带表面初始图像序列中快速计算出平均图像,视为无缺陷背景图像,用于初始化ViBe算法的背景模型.采用ViBe算法从当前图像中分割出缺陷区域,对缺陷区域二值图像进行中值滤波和形态学运算,以去除噪声点和修补边缘,实现缺陷区域的准确提取.利用当前图像实时更新ViBe背景模型,以增加对光照变化的适应能力.提取缺陷外接矩形区域图像,归一化后输入到训练好的卷积神经网络中进行识别分类,得到分类结果.实验结果表明,提出方法的缺陷检出率为93.02%,缺陷识别率为99.86%,具有较好的应用价值.     

农田作业机器人视觉导航目标曲线检测算法研究

为研究农田作业机器人视觉导航信息的提取方法,以自然环境下采集的曲线特征较为明显的农田图像为研究背景,根据图像RGB颜色特征,利用颜色聚类算法,将导航路径从复杂的背景中提取出来.并对得到的二值图像进行形态学处理以消除噪声,然后对图像逐行扫描检测出导航路径的中心离散点,利用最小二乘法拟合出导航路径,并提出一种新的导航参数的获取方法.试验结果表明:该算法具有速度快、精确度高的优点;在作业环境具有较强的曲线特征等情况下有较好的检测效果.     

基于颜色提取方法的仪表彩色指针识别

主要论述了利用颜色提取及图像分割技术对汽车仪表指针位置进行识别处理的原理、步骤以及具体的实现过程.通过使用彩色提取和形态学图像处理技术,成功地提取了仪表盘中红色的指针,确定圆心并利用角度法计算出指针仪表读数.颜色提取方法为 HIS颜色空间的坐标区域表示法,与常见的先把仪表图像转化成灰度图再进行处理的方法比较,此方法对于彩色指针仪表的识别更简单有效.     

基于深度卷积神经网络的车型识别方法

针对现有车辆车型视觉识别技术中的检测精度不高、难以适应天气环境变化、难以从视频图像中准确提取出用于识别的车辆图像、难以对车辆车型子类进行识别分类、难以兼顾识别精度和检测效率等不足,将深度卷积神经网络引入车辆目标定位、识别和分类（子类）问题中.利用深度卷积神经网络自动完成车型的深度特征学习,在特征图上进行逻辑回归,从道路复杂背景中提取出感兴趣区域;利用softmax分类器训练特征实现车型识别;为了优化softmax在深度卷积神经网络分类过程中出现的类内间距大的问题,引入中心损失函数对softmax损失函数进行优化,提高类间分散性与类内紧密性.在BIT-Vehicle车型数据集中的实验结果显示,提出方法的平均精度为89.67%,检测和识别时间为159 ms;与传统的分类方法相比,识别精度提高约20%,效率提高10倍以上,检测鲁棒性有明显提升;与未改进前的深度卷积神经网络相比,检测精度提高0.6%,速度提高0.29倍.