一种改进的医学图像分水岭分割算法

为了提高医学图像分割的准确性, 针对分水岭分割算法中的过分割问题, 提出了一种改进的医学图像分水岭分割算法。该算法首先在分水岭变换前进行预处理初步分割, 主要包括多尺度形态学滤波、多尺度梯度算子计算、自适应标记提取以及分水岭变换; 然后在初步分割变换后, 通过基于邻接图的区域灰度相似性与边界相似性相结合的合并准则, 对分割后的区域进一步合并。实验结果表明, 新算法有效地解决了分水岭算法的过分割问题, 具有较强的抗噪性能和边缘定位能力, 能够满足医学图像的分割要求。     

基于亚像素大津法的二维条码分割

在低分辨率的情况下,基于像素的条码分割方法很容易造成二维条码的深色模块和浅色模块分割错误,导致条码不能被正确识别。为解决该问题,提出一种基于亚像素大津法的二维条码分割方法。首先进行基于插值算法的亚像素处理来提高条码图像的分辨率,为此提出了一种改进的基于边缘的自适应插值算法。然后用基于分块的大津法分割条码图像的深色模块和浅色模块。实验结果表明该方法能够有效地消除低分辨率对条码识别的影响。     

改进HED网络的金属零件二维条码分割方法

针对复杂环境金属件标刻的DM码因磨损、腐蚀等原因，导致传统图像分割算法难以精确定位的问题，提出一种基于改进HED网络的金属零件二维条码分割方法。在原HED网络上对主干特征提取网络改进，采用空洞卷积扩大感受野保留DM码全局信息；改变特征融合模块，增加两层卷积运算充分融合深监督模块输出的多尺度特征，提取区域轮廓完成DM码区域分割；使用LSD算法寻找区域分割图中的直线，经过直线聚类减少非感兴趣直线产生的干扰，实现二维条码区域精确分割定位。实验结果表明，该模型在全局最佳(ODS)和单图最佳(OIS)精度评定中F1值分别达到0.813和0.825,平均定位准确率达到97%。     

各向异性小波收缩用于图像分割

已经证明2维情况下一般各向异性扩散与HAAR小波收缩在一定条件下是等价的,基于此等价性的各向异性小波收缩结合了小波收缩与各向异性扩散两种方法的优势。将各向异性小波收缩用于多尺度图像分割,提出一种对多尺度各向异性扩散分割方法的改进方法——多尺度各向异性小波收缩图像分割算法。该算法利用各向异性小波收缩对图像中像素灰度值进行扩散,在尽可能保持边缘的情况下,使同质区域内相邻像素灰度随尺度数增加趋于相同,构造基于尺度的空间栈,从而完成对目标的分割,是一种非监督图像分割方法。对比实验结果表明,该算法在有效处理区域内部不一致性的同时,能够准确地定位目标边缘,实现同质区域的融合,完成分割任务,且该算法收敛速度高于多尺度各向异性扩散分割方法。     

复杂背景和非均匀光照环境下的条码自动定位和识别

提出了一种在复杂背景和非均匀光照环境下的条码自动定位识别算法,用于定位和识别实际应用中的条码图像.该算法首先将灰度图像分成若干个子区域,根据每个子区域的梯度特征和角点特征筛选出可能含有条码的子区域,对这些子区域采用连通区域算法进行合并和分析,定位出条码区域.由于传统的二值化方法对于非均匀光照环境下的条码图像处理效果不佳,提出一种改进的Bernsen二值化算法对条码区域进行二值化处理,有效地减小了光照不均对条码识别的影响.实验结果表明,该算法可以有效去除大量复杂背景,准确定位和识别任意角度的条码区域.特别在非均匀光照环境和含有大量文字等复杂背景的情况下,该方法具有明显优势.     

基于边缘增强的二维码区域快速检测定位算法

在复杂背景下,传统的边缘提取和形态学操作方法很难准确分割出二维码区域。针对该问题,提出一种工业用二维码区域快速检测定位算法。将Max-Min算法和Canny算子相结合用以滤除图像中的背景噪声,同时增强目标的特征信息,再采用投影法进行初定位,利用形态学操作实现精确定位,并验证条码区域定位的准确性。实验结果表明,该方法检测定位速度快、精度高。     

直接零件标记的二维条码定位方法

针对直接零件标记（DPM, Direct Part Marking）二维条码的定位技术展开研究。由于环境光照、金属材质等因素,采集到的条码图像会存在光照不均、对比度低和高光等问题,对DPM二维条码定位带来很大的影响。采用了同态滤波的方法来增强图像,用梯度投影法对二维条码区域进行初定位。针对背景灰度级与目标灰度级相近导致传统阈值化存在误分割的问题,采用了一种OSTU与邻域阈值相结合的自适应二值化算法。利用形态学拟合Data Matrix二维条码的L型定位边,最后采用凸包算法实现对二维条码精定位。实验表明,该方法能有效解决图像采集中出现的光照不均、对比度低等问题,快速定位出条码区域。     

基于区域分割和非下采样Contourlet变换的多聚焦图像融合算法

针对基于神经网络分割算法计算复杂、运算量大等问题,提出一种根据单焦距图像聚焦区域和失焦区域局部相对清晰度的不同进行区域分割的多聚焦图像融合算法。该算法有效结合了非下采样Contourlet变换(NSCT)在图像分解中的多尺度、方向性、各向异性和平移不变性等特点,利用各方向高频分量的聚类来对低频分量进行分割、融合。实验表明该算法是一种有效的多聚焦图像融合方法。     

基于运动信息与多尺度分水岭的视频目标分割

从视频序列中提取视频目标是基于内容编码中的一项关键技术。提出了将高阶统计运动检测和多尺度分水岭相结合的视频目标分割算法。该算法首先利用高阶统计运动检测算法检测出运动区域,通过后处理得到运动目标的初始模板。然后,用小波变换对视频图像进行多分辨率分解。在最低分辨率上应用分水岭算法分割得到具有精确边缘的分割区域,通过将区域融合后的区域逐步投影到高分辨率图像上并结合高分辨率图像上的分水岭算法逐步提取出具有精确边缘的区域。最后,将运动目标的初始模板和多尺度分水岭分割得到的区域结合起来提取出具有精确边缘的视频对象。实验结果表明该算法能有效地分割和提取出视频序列中的视频对象。     

一种改进的遥感图像多尺度分割方法

该文提出一种基于区域合并的遥感图像多尺度分割方法,此方法综合利用遥感图像的光谱特征和形状特征信息来描述区域对象的特性,并在此基础上给出两个相邻区域的合并代价,通过不同阈值对合并代价进行限制,以得到不同尺度大小的分割结果。为提高遥感图像分割的效率,使用分块策略对初始区域邻接图进行划分。实验证明,这种改进的多尺度分割方法遥感图像分割精度较好,同时效率有了较大的提高。     

Scale computation on high spatial resolution remotely sensed imagery multi-scale segmentation

Scale computation for multi-scale image segmentation is an important research area in geographic object-based image analysis (GEOBIA). For the highly spectral heterogeneity of high spatial resolution remotely sensed imagery (HSRRSI), and the changing sizes of geographic features and their spatially distributive patterns, it is difficult to build a global or local-scale calculation parameter model to effectively guide multi-scale segmentation parameters setting in large-scale regions. Usually, the segmentation parameters are used to measure the heterogeneous and homogenous adjacent pixels in spatial and spectral spaces simultaneously. It has been proved that the adaptive acquiring parameter of scale plays a key role in gaining precise segmentation results, and later it deeply influences the automatic recognition and post-processing of the physical image parcels (PIPs). However, in most cases, scale computation techniques still fail to guide segmentation to produce appropriate or repeatable results which should meet the practical production standard of GIS data based on GEOBIA. These techniques have not been summarized and classified and there is no review focusing on scale computation for HSRRSI multi-scale segmentation. We provide an overview of the state-of-the-art segmentation scale computation techniques which are mainly based on the spectral statistics and geometric characteristics, etc. Moreover, the pedigree of segmentation scale has been first time proposed, and the overall performance of each category is analysed. Especially, the methods of local variance, semivariance, and synthetic semivariance are presented. Then, the scale object selection (SOS) algorithm, spectral angle algorithm, and the RMAS (ratio of mean difference to neighbours (ABS) to standard deviation) are discussed at spectral domain. In addition, miscellaneous scale computation approaches are recognized as the important researching aspect. In order to clearly describe the scale computation on multi-scale image segmentation, we have proposed the new conceptions of semantic image object (SIO), PIP, particular scale of interest, symbiotic scale, etc. At last, the trends of scale computation for HSRRSI multi-scale segmentation also have been presented.     

基于注意力机制的多尺度融合航拍影像语义分割

航拍影像同一场景不同对象尺度差异较大,采用单一尺度的分割往往无法达到最 佳的分类效果。为解决这一问题,提出一种基于注意力机制的多尺度融合模型。首先,利用不 同采样率的扩张卷积提取航拍影像的多个尺度特征;然后,在多尺度融合阶段引入注意力机制, 使模型能够自动聚焦于合适的尺度,并为所有尺度及每个位置像素分别赋予权重;最后,将加 权融合后的特征图上采样到原图大小,对航拍影像的每个像素进行语义标注。实验结果表明, 与传统的 FCN、DeepLab 语义分割模型及其他航拍影像分割模型相比,基于注意力机制的多尺 度融合模型不仅具有更高的分割精度,而且可以通过对各尺度特征对应权重图的可视化,分析 不同尺度及位置像素的重要性。     

基于综合特征的纹理分割方法

针对灰度共生矩阵只能在单一尺度对纹理进行分析的不足,结合离散框架小波变换产生的尺度共生矩阵与梯度变换图像的灰度共生矩阵,提出了一种具有多尺度分析特性的综合纹理特征提取算法,并利用该特征对纹理图像进行分割.仿真实验结果表明:与基于单一尺度特征的纹理分割方法相比,本文提出的算法能够提高纹理边界定位准确性,减少区域内像素错分,取得了较好的分割效果.     

基于互信息准则的图像平滑和分割

在计算机视觉领域,尺度空间扮演着一个很重要的角色。多尺度图像分析的基础是自动尺度选择,但它 的性能非常主观和依赖于经验。基于互信息的度量准则,文章提出了一种自动选取最优尺度的模型。首先,研究 专注于基于形态学算子的多尺度图像平滑去噪方法,这种技术不需要噪声方差的先验知识,可以有效地消除照度 的变化。其次,通过递归修剪 Huffman 编码树,设计了一个基于聚类的无监督图像分割算法。一个特定的聚类数 从信息理论的角度来看,提出的聚类算法可以保留最大的信息量。最后,用一系列的实验对算法的性能进行了验证, 并从数学上进行了详细的证明和分析,实验结果表明本文提出的算法能获得最优尺度的图像平滑和分割性能 。     

Multiscale Bayesian texture segmentation using neural networks and Markov random fields

This paper presents a wavelet-based texture segmentation method using multilayer perceptron (MLP) networks and Markov random fields (MRF) in a multi-scale Bayesian framework. Inputs and outputs of MLP networks are constructed to estimate a posterior probability. The multi-scale features produced by multi-level wavelet decompositions of textured images are classified at each scale by maximum a posterior (MAP) classification and the posterior probabilities from MLP networks. An MRF model is used in order to model the prior distribution of each texture class, and a factor, which fuses the classification information through scales and acts as a guide for the labeling decision, is incorporated into the MAP classification of each scale. By fusing the multi-scale MAP classifications sequentially from coarse to fine scales, our proposed method gets the final and improved segmentation result at the finest scale. In this fusion process, the MRF model serves as the smoothness constraint and the Gibbs sampler acts as the MAP classifier. Our texture segmentation method was applied to segmentation of gray-level textured images. The proposed segmentation method shows better performance than texture segmentation using the hidden Markov trees (HMT) model and the HMTseg algorithm, which is a multi-scale Bayesian image segmentation algorithm.     

基于DeepLab v3+的多任务图像拼接篡改检测算法

在图像拼接篡改检测任务中,受篡改区域尺度多样性及模糊操作的影响,传统分类算法难以提取图像篡改特征。提出一种基于DeepLab v3+的图像拼接篡改检测算法,使用浅层图像特征预测图像的篡改区域边界,提高模型对篡改边界的敏感性。在此基础上,通过多尺度融合特征对图像篡改区域进行分割,并在原空洞空间金字塔模块中融合空间和通道注意力机制,从而提高模型对多尺度篡改区域的适应性。实验结果表明,所提算法能有效检测图像的篡改区域,在CASIA v1.0和Columbia数据集中的分割精度分别为0.754 6和0.727 8,优于DCT、BAPPY、MFCN等算法。     

基于数字图像处理的EAN13码识别

主要研究通过数字图像处理的方法识别ENA13条形码图像条码信息的问题。首先介绍了条码结构。然后针对传统方法的缺陷引入基于图像处理的识别方法,通过图像预处理、图像分割、图像矫正和译码4个步骤识别条形码。阐述了针对含有噪声点的模糊图像和输入角度随机两种情况的条码识别。最后通过给出相关实验结果验证了算法的可行性和实用性。     

基于图像连通区域面积的成捆棒材自动计数方法

提出了一种基于图像连通区域面积的成捆棒材自动计数方法。该方法首先对获取的棒材图像进行灰度化、滤波和图像分割处理,然后对分割图像中的连通区域分类:小于基本面积的区域视为噪声区域,介于基本面积和阈值面积之间的区域视为一支棒材区域,大于阈值面积的区域表示多支棒材粘连区域。对于多支棒材粘连区域,采用区域面积除以标准面积得到棒材支数。最后将所有连通区域的棒材支数求和即可得到图像中全部棒材的支数。该方法应用于13幅成捆棒材图像计数实验时所得误差均小于3%。