基于局部对比度和相位保持降噪的古籍图像二值化算法

图像二值化算法通过消除文档背景噪声将文本与背景分割开。针对古籍图像提出一种基于局部对比度和相位保持降噪的古籍图像二值化算法。根据归一化局部最大值最小值来构造古籍图像局部对比度,同时对古籍图像进行相位保持降噪。将局部对比度图像和降噪图像相结合来识别文本笔划像素。通过局部窗口内所检测的文本笔划像素估计局部阈值从而计算古籍背景修复模板。用图像修复算法和形态学闭操作来估计古籍背景。用所估计背景来增强古籍图像,采用Howe算法对增强后的古籍图像进行二值化求得最终结果。该算法在DIBCO2016、DIBCO2017和DIBCO2018数据集中的实验结果均优于其他二值化算法。     

基于SVD背景抑制和粒子滤波的弱小目标检测*

针对云天背景下红外弱小目标的检测算法中常见的目标漏检和检测错误问题,提出了一种基于奇异值分解背景抑制和粒子滤波联合检测算法。该算法首先采用奇异值分解滤波抑制红外图像背景,获取候选目标位置,然后采用粒子滤波算法估计目标运动状态,获取目标搜索窗口,最后将单帧检测候选目标与预测的搜索窗口相结合实现小目标检测。对真实红外图像序列进行实验表明,该方法有效地解决了SVD滤波单帧漏检和粒子滤波预测错误导致的目标检测错误问题,从而提高了低信噪比下弱小目标的检测能力。     

能量累积与均值漂移聚类结合的红外小目标检测方法

研究红外图像中弱小目标的检测问题,提出了一种基于能量累积与均值漂移聚类的红外小目标检测方法。首先利用滑动窗口处理实现图像序列中目标能量积累,去除图像中的随机噪声,提高信噪比;然后选用不同尺度的核带宽对原始图像进行两次均值漂移聚类滤波,将两次滤波所得的图像灰度进行差分来实现背景抑制,提高目标与背景的对比度;之后根据图像的统计特性确定阈值,用门限分割方法提取目标区域,实现候选目标的准确定位;最后利用序列图像中目标运动的连续性和轨迹的一致性筛选出真正的目标。该算法通过选用不同尺度的核带宽进行聚类来得到目标及背景图像,背景抑制的同时也滤除了噪声。实验结果表明,该方法能快速有效地提取复杂背景条件下的红外小目标。     

基于脉冲神经网络的红外目标提取

模拟生物信息处理机制,设计了一种用于红外目标提取的脉冲神经网络(SNN)。首先,利用输入层脉冲神经元将激励图像转化为脉冲序列;其次,采用中间层脉冲神经元输出脉冲的密度编码红外图像目标的轮廓像素和非目标轮廓像素;最后,根据输出层神经元输出脉冲的密度是否超过阈值提取红外目标。实验结果表明,设计的脉冲神经网络具有较好的红外目标提取性能,并且符合生物视觉信息处理机制。     

一种双阈值红外行人分割方法

针对红外图像中行人与环境灰度值相差小、在分割时容易产生错误分割的问题,提出一种双阈值的红外行人分割方法。通过统计方差求解整个图像的全局阈值,对图像进行预分割。设计一种十字形滑动窗口对图像进行扫描,对初始分割得到的目标区域,利用统计方差求解每个像素的局部阈值。使用分类公式将该像素分类为目标或背景区域,得到二值图像。实验结果表明,该方法能提高分割的精确性,对行人的分割效果较好。     

能量累积与均值漂移聚类结合的红外小目标检测方法

研究红外图像中弱小目标的检测问题,提出了一种基于能量累积与均值漂移聚类的红外小目标检测方法。首先利用滑动窗口处理实现图像序列中目标能量积累,去除图像中的随机噪声,提高信噪比;然后选用不同尺度的核带宽对原始图像进行两次均值漂移聚类滤波,将两次滤波所得的图像灰度进行差分来实现背景抑制,提高目标与背景的对比度;之后根据图像的统计特性确定阈值,用门限分割方法提取目标区域,实现候选目标的准确定位;最后利用序列图像中目标运动的连续性和轨迹的一致性筛选出真正的目标。该算法通过选用不同尺度的核带宽进行聚类来得到目标及背景图像,背景抑制的同时也滤除了噪声。实验结果表明,该方法能快速有效地提取复杂背景条件下的红外小目标。     

红外运动小目标检测的小面拟合算法

针对红外图像序列中运动小目标,提出一种基于预测的小面拟合目标检测算法。首先根据图像序列中目标运动的连续性及方向性,采用二阶自回归模型预测目标的搜索窗口。然后根据天空背景红外图像中小目标灰度高于背景的特征,利用小面拟合模型对搜索窗口的局部区域作灰度曲面拟合,提取搜索窗口内灰度极值点作为目标,提出了相应的目标检测算子。对红外图像序列的实验表明,该算法可有效检测天空背景下红外运动小目标,算法的实时性和抗干扰能力优于传统的目标检测方法。     

灰度与速度线索融合红外小目标跟踪

红外小目标跟踪易受到相似目标与背景的干扰,针对此问题提出一种融合灰度与速度线索的红外小目标跟踪算法。该算法通过快速时域高通滤波器滤除噪声并突出目标,利用主分量分析提取速度特征;以分层粒子滤波为框架,首先利用高通滤波图像灰度核函数加权直方图进行第1层粒子滤波,粗略地估计目标状态;然后利用速度线索进行第2层粒子滤波,精确地估计目标状态。实验结果表明,提出的红外小目标跟踪算法具有较强的抗干扰性能和较高的跟踪精度。     

网络结构增长的极端学习机算法

针对极端学习机(extreme learning machine,ELM)结构设计问题,基于隐含层激活函数及其导函数提出一种前向神经网络结构增长算法.首先以Sigmoid函数为例给出了一类基函数的派生特性:导函数可以由其原函数表示.其次,利用这种派生特性提出了ELM结构设计方法,该方法自动生成双隐含层前向神经网络,其第1隐含层的结点随机逐一生成.第2隐含层的输出由第1隐含层新添结点的激活函数及其导函数确定,输出层权值由最小二乘法分析获得.最后给出了所提算法收敛性及稳定性的理论证明.对非线性系统辨识及双螺旋分类问题的仿真结果证明了所提算法的有效性.     

多尺度红外超像素图像模型的小目标检测

目的 复杂背景中的红外小目标检测易受背景杂波与噪声的干扰,直接利用现有的低秩约束与稀疏表示联合模型存在准确率低、虚警率高及检测速度慢等不足。为了解决这些问题,提出一种基于多尺度红外超像素图像模型的小目标检测方法。方法 首先,采用超像素方法分割原始红外图像,得到无重叠区域的超像素图像,充分利用红外图像的局部空间相关性;然后,引入多尺度理论,融合多个不同尺度下检测的目标图像,增强该方法检测不同尺寸目标的稳健性。结果 针对多幅不同场景下的红外小目标图像进行了实验验证,并选取信杂比增益、背景抑制因子及检测时间作为定量评价指标,以此衡量背景抑制效果及算法运行速度。大量实验结果表明,与Top-Hat、Max-Median、二维最小均方、局部显著性图、红外块图像、加权红外块图像等方法相比,本文方法能有效地去除各种干扰,在背景抑制方面具有更好的效果,且所得背景抑制因子为其他方法的数十倍;与同类方法相比,红外超像素图像模型减少了至少78.2%的检测时间。结论 本文将超像素图像分割与多尺度理论引入低秩约束与稀疏表示联合模型,能够取得更好的背景抑制效果,并且可以适应不同大小目标的检测,实现复杂背景中红外小目标的准确检测。