基于目标形态特征的工件自动分割方法

为了使交互式工件分割算法满足实时性的要求,提出了一种将工件形态特征与图像分割算法相结合的工件自动分割方法.利用MeanShift算法分割图像提取目标区域;利用形态学开运算消除目标区域的噪声,进而分离相连的目标区域;对目标区域进行边缘检测,计算完整的工件轮廓信息,然后根据外轮廓的面积确定工件区域;利用工件区域的最小外接矩形在图像中标出前景和背景区域,再利用GrabCut算法分别对前景和背景建立高斯混合模型,然后通过mincut/maxflow算法分割前景与背景区域,最终实现工件目标的提取.实验结果表明,对于制造商提供的样本,该方法分割工件的召回率和准确率分别为94.97%和88.48%,具有较强的实用性和良好的实时性.     

基于超像素一致显著性的视频运动目标检测算法

针对目前视频运动目标检测中存在受背景影响大,复杂场景下检测效果不佳的问题,提出一种基于超像素一致显著性的视频运动目标的检测方法。首先,将视频图像序列进行超像素分割,在保留目标特征完整性的基础上降低图像后续处理的计算复杂度。之后对视频单帧图像进行显著性检测,得到图像显著目标区域,接下来通过对视频图像序列间显著区域超像素匹配机制对运动目标进行检测。最后,引入视频图像序列间显著性传播的协同判别因子提高对运动目标的判别精度。实验结果表明,所提算法具有较强的鲁棒性,能够处理各种复杂场景下视频运动目标的检测,检测准确率达到93%,优于目前的主流算法。     

利用采样窗口与彩色信息提取石材大板目标轮廓

目的提取生产线复杂背景下的石材大板目标轮廓,为后续石材大板的实时优化排版及下料等智能化加工提供基本参数．方法将彩色信息作为石材大板的有效分割特征．在HSI彩色图像空间中,定义采样窗口和动态检测窗口,提取采样窗口特征参数作为先验模板．用检测窗口遍历图像,根据检测窗口与采样窗口彩色分量概率分布的相似性分割出准目标区域;在该区域内用双阈值法分割出目标点区域,提取目标轮廓．结果对简单背景和复杂生产线背景下的石材大板目标轮廓提取进行了实验,并与直方图自适应阈值法进行了实验结果对比分析．实验结果表明,笔者所提算法能够准确提取简单背景和复杂背景下不规则石材大板目标轮廓．结论笔者算法从生产实际出发,能够准确提取复杂背景下不规则石材大板的目标轮廓,为石材大板的智能加工提供了前期输入参数．     

基于超像素的多特征融合的水平集轮廓跟踪

在水平集轮廓跟踪框架中设计一个判别式速度函数对于有效引导轮廓进化非常重要。该文提出一个超像素驱动的速度函数建模方法,该模型融合了互补的表观和运动信息。在表观特征层,通过引入一种有效的中层视觉特征-超像素,建立基于核密度估计的判别式表观模型区分目标和背景。同时,利用运动光流场的统计信息,设计了一个可以自适应选择的阈值来区分和增强目标和背景的相对运动。最终,在决策层基于半朴素贝叶斯框架进行两种特征的融合,形成一个具有竞争能力的速度场引导水平集轮廓进化。在多个具有挑战的视频序列上的一系列实验验证了该方法的有效性和鲁棒性。     

利用超像素混合投票的在线目标跟踪算法

针对复杂场景下目标跟踪中目标出现的外观特征变化和遮挡问题,提出一种结合超像素和广义霍夫变换的在线实时目标跟踪算法.该算法从上下文中提取局部特征作为支持因子,构建一个混合的判别产生式对象模型.利用该模型,通过霍夫投票预测目标的中心位置,再通过判别式投票对目标和背景进行概率估计.对图像进行超像素分割,将之前的投票结果映射到对应的超像素,生成基于超像素的概率分布图像.采用贝叶斯跟踪框架,根据后验概率最大化,在概率分布图像基础上确定目标的位置.实验表明,该算法在复杂环境下目标跟踪的过程中对目标发生的形变和遮挡现象有很强的鲁棒性,能够实现准确稳定的在线目标跟踪.     

基于超像素和密度峰值聚类的图像分割

图像分割是计算机视觉领域的一个重要组成部分。密度峰值聚类已应用于图像分割领域。但由于密度峰值聚类在聚类时只能考虑数据的全局空间信息,不能有效去除图像噪声,因此提出了一种超像素的图像预处理方法。该方法能充分考虑局部空间信息,具有较强的鲁棒性。通过改进的形态梯度重建和分水岭算法得到具有精确轮廓且去噪效果较好的超像素图像。在此基础上,加入密度峰值聚类完成后续分割。通过在光学图像数据集BSDS 500上进行实验,验证了超像素算法及图像分割算法的有效性。     

基于背景和前景交互传播的图像显著性检测

为了更精确地提取图像中的显著性区域,提出一种新的基于背景和前景交互传播的图像显著性检测计算模型。通过建立一个新的模型来寻找图像中的显著性元素,用一种交互式特征传播方法来扩散显著性特征。采用不同参数对图像进行分割,得到多个尺度下的超像素;在单一尺度下通过背景和前景交互传播获得超像素的显著值;对多个显著值进行加权平均融合,并采用平滑机制进行优化得到最终显著图。在公开图像数据库进行的试验结果表明,该模型提高了对图像显著目标大小的适应性,不仅较好地抑制了噪声,还使得显著目标更均匀地凸显出来,结果优于同类的算法。     

一种基于显著性活动轮廓模型的图像分割方法

为了有效地提取图像中物体的轮廓,结合视觉注意机制,提出一种改进的距离正则化水平集活动轮廓模型的分析方法。首先提取图像的初级特征,构成图像显著图;然后采用最大类间方差法获得显著区域的初始轮廓,以此作为活动轮廓模型中曲线演化的初始位置;最后利用距离正则化水平集演化,获得目标物体的边界,完成图像分割。这种结合视觉注意机制与改进的距离正则化水平集演化方法能够显著降低水平函数演化次数,提高图像分割效率。仿真结果表明,它能有效检测单个及多目标物体的边界,且定位准确。     

线阵CCD图像的弱小目标检测算法

为解决在复杂室外环境中,受到特殊因素干扰时获取的线阵CCD图像目标检测率低的问题本文提出了一种基于视觉显著性的线阵CCD图像弱小目标检测算法.该算法根据线阵CCD图像的特点,构建了新的特征向量,设计了与目标形状相似的双窗口进行多特征比较,通过计算中心与周围像素邻域窗口特征向量的相似性来表达各个像素的显著程度,得到图像的显著度图,将显著度图聚类,分割出包含目标的一类,从复杂的背景中提取出弱小目标.经过实验对比分析表明,与传统目标检测法相比,该算法可以更有效检测出线阵CCD图像中的弱小目标.     

基于形状先验与轮廓预定位的目标分割

针对单帧图像中特定目标的分割一直面临着由于背景复杂和光照变化等因素带来的分割精度偏低的问题,提出一种基于轮廓预定位的先验局部二值拟合(local binary fitting,LBF)算法,用于人体上肢图像的分割.首先,利用浅层卷积神经网络对上肢形状模板进行筛选和预定位,得到分割目标的粗轮廓曲线;然后,利用基于先验形状的LBF算法对粗轮廓曲线进行演化,得到分割目标的精确轮廓曲线.实验结果显示算法的成功率在90%以上,表明该方法对于背景复杂和光照变化情况下的特定目标分割具有良好的效果.     

基于自适应LARK特征的图像显著性检测算法

为了有效检测自然场景中的显著区域,提出一种简单高效的基于自适应LARK特征的图像显著性检测方法。首先自适应选取若干个有效的LARK特征分量,然后计算基于该特征的像素显著性值。为进一步增强图像像素的显著性,通过经典的超像素分割方法计算图像的超像素颜色奇异性值。最后将这两者线性融合,形成自然场景中像素的最终显著性值。在国际通用数据集上测试,结果表明,该方法优于其他视觉显著区域检测计算方法,并且可以产生均匀突出的显著性图谱,在正确率和召回率上都有明显提高。     

基于超像素分割的空间相关主题模型及场景分类方法

基于经典的LDA模型,提出新的结合超像素分割技术的空间相关主题模型SP-SLTM及相应的场景分类方法.在建模过程中引入类别约束机制,即给每类场景赋予各自的类主题空间,使模型参数的推导更加简便;在"视觉词包"的生成过程中,对图像区域进行进一步二次超像素分割;提取每个超像素的颜色和纹理特征,形成超像素的混合特征表示.上述方法的优点包括:加上从图像区块所提取的SIFT特征,共得到3种视觉词语,弥补传统方法中采用单一视觉特征描述整幅图像的不足;同一区域内的所有视觉词语共享一个主题,增加视觉词语间的空间相关性.分别将UIUC-Sport数据库的测试结果与CTS-LDA、Spatial-LTM、LDA与pLSA4种传统方法的测试结果进行比较,结果表明:采用SP-SLTM模型可以比传统方法获得更高的场景分类准确率.     

基于稀疏自表示的模糊聚类图像分割算法

为了提高噪声污染图像分割的鲁棒性,提出一种基于稀疏自表示的模糊C均值聚类图像分割算法。该算法首先将图像过分割为超像素,以超像素作为图像基元,对每一块超像素进行特征提取,所有超像素的特征组成图像的特征矩阵;其次建立特征矩阵的稀疏自表示模型,将其以自身为字典时的表示系数作为表示样本间相关性的判别特征矩阵;最后利用模糊C均值聚类算法聚类图像的判别特征矩阵,得到图像的分割结果。对人造图像、自然图像和遥感图像添加高斯噪声和椒盐噪声,实验结果表明,改进算法对噪声污染的图像有较好的分割质量,有一定的抗噪鲁棒性。     

基于双目视觉的显著性区域检测

针对传统基于像素的显著性模型存在的边缘模糊、不适于低对比度环境等问题,提出一种基于双目视觉信息的显著性区域检测方法. 采用简单线性迭代聚类（SLIC）方法对图像进行超像素分割,将生成的超像素区域进行合并.通过计算各区域在左右视图的相对移动距离获取物体深度信息,以区域为单位分别计算颜色对比度及深度对比度,进行合成得到区域的显著性值.结果表明,生成的显著性图轮廓清晰,边缘锐利,同等条件下近处及深度变化显著的区域能够获得更高的显著性.该方法符合人类视觉感知特征,适用于移动机器人障碍物检测及场景识别.     

一种基于矢量阈值的自适应图像分割方法

针对灰度图像,提出一种基于空间特征矢量的图像分割方法,分割前首先对边缘进行增强处理,并构建以像素的灰度、梯度、像素邻域均值为特征的三维特征空间.将图像像素点引入对应于空间特征点.通过计算像素特征矢量与特征矢量阈值的差矢量,求出矢量差与特征矢量阈值的夹角,比较夹角与动态分割参数的关系,以判定像素所在区域(目标或背景).实验表明,该方法能较快的实现图像分割,分割的效果也较好.     

基于贝叶斯框架的显著目标检测

图像和视频显著性检测在计算机视觉领域引起了极大的关注,广泛应用于物体分割、可疑物检测、图像检索等领域,在贝叶斯框架下,将人类视觉注意力理论中Bottom-Up模式被动感知与Top-Down模式主动检测按照时间先后顺序结合在一起,并结合像素的"Center-Surround"模型和核密度估计,提出一种能由粗到精逐步感知和获取视场中视觉显著性目标位置及尺度的实时显著目标检测算法,称其为基于贝叶斯框架的显著目标检测.通过在微软MSRA数据集上进行ROC和Precision-Recall测试,证明该算法取得比目前经典算法更好的效果.     

基于HSV颜色空间的人体轮廓提取方法研究

目前已有人体轮廓提取系统大多先将彩色图像转换为灰度图像,然后经过人工修图,从灰度图像中提取人体轮廓.在此过程中,大量图像信息丢失,且这些系统普遍存在对背景、着装、像素和光线要求严格等问题.为了解决这些问题,本工作采用符合人类视觉习惯的HSV颜色空间,利用MATLAB软件编写程序,通过分析和转换图像的H、S、V值从彩色图像上直接提取人体轮廓,从而实现人体轮廓提取的准确化和自动化.试验结果表明,利用HSV颜色空间可降低对背景、着装、像素和光线等因素的要求,实现复杂情况下人体轮廓的准确提取.     

面向高光谱图像分类的超像素级Gabor特征融合方法研究

由于高光谱图像中的地物空间分布具有规整性和局部连续性,同时超像素分割是一种将空间图像分割成多个同质区域的有效方法,因此从超像素的角度进行高光谱图像分类将具有重要意义.本文提出了一种超像素级Gabor特征融合的高光谱图像分类方法,简称为SPGF.首先,使用一组预定义的二维Gabor滤波器与原始高光谱图像进行卷积运算,提取有效特征.同时,利用简单线性迭代聚类(简称SLIC)超像素分割方法将原始高光谱图像划分成互不重叠的超像素.然后,对于每个Gabor特征模块,利用支持向量机分类器进行分类,并使用多数投票策略实现各模块分类结果的融合.最后,使用通过SLIC算法得到的超像素图对分类结果进行修正.在2个真实高光谱数据集上的实验结果表明,本文提出的SPGF方法能够比领域内的一些经典算法获得更高的分类效果.     

模糊逻辑和谱聚类的字符图像分割

为了从复杂背景中有效分离出字符图像,提出了一种基于模糊逻辑的谱聚类字符图像分割方法.利用最大信息熵准则获得模糊函数的参数,将原始图像模糊化;在模糊后的图像上建立像素间的相似矩阵,文本图像的纹理、灰度及像素间的距离是定义相似函数的依据,计算相似矩阵最小特征值对应的特征向量,并对其聚类划分;利用分类后的特征向量对相似矩阵进行划分,进而实现原图像的分割.实验结果表明:本文方法优于一般的阈值化分割方法,能够有效处理背景复杂的自然场景文本图像.     

利用多尺度频域分析的图像显著区域检测

针对显著区域检测中的视觉显著性度量问题,提出了一种通过对图像的频域特征进行多尺度分析来计算显著性的方法.在多个尺度上提取图像底层特征,在频域分析各种特征图的幅度谱和相位谱,在空间域上构造相应的显著图.根据显著图,检测出图像中的显著区域.在多种自然图像和人工图像上进行实验.实验结果表明,该方法能迅速检测出与人类视觉注意结果一致的显著区域,并且在高强度噪声图像中也能取得很好的检测效果.