基于Riesz变换的图像边缘检测

针对传统边缘检测算法易受光线变化影响的问题,提出一种基于Riesz变换空间下的相位一致性边缘检测方法。用Riesz变换替代Hilbert变换对图像进行处理,通过Riesz变换的不同尺度因子构造计算相位一致性所需要的变换空间,根据相位一致性计算方法在新的Riesz变换空间获得特征图像;使用非极大值抑制检测出图像边缘信息;与传统相位一致特征提取方法、2DLog-Gabor变换以及Canny边缘提取算法对比实验。仿真实验结果说明,该边缘检测方法在不均匀关照条件下可用于图像的边缘特征提取,相比在Hilbert变换空间下的相位一致特征提取方法运算速度快,算法可行有效。     

基于CCD的公路路面病害检测技术研究

提出了一种适合于公路路面裂缝类病害检测的数字图像处理算法。通过对路面裂缝类病害图像特征的分析与研究，在经典的图像处理算法的基础上，改进了传统的滤波算子、边缘检测算子以及图像分割算法。文中对实际路面的横向、纵向和不规则裂缝进行处理和识别，得到的裂缝边缘图像清晰，裂缝边缘连续性好。     

基于像素差分卷积神经网络的类岩石裂缝检测方法

针对现有裂缝检测算法提取的局部梯度信息不足而导致裂缝识别精度低的问题,提出了一种基于像素差分的编码器-解码器U型结构的裂缝检测方法。使用由像素差分卷积块和残差块组成的PDCBlock作为网络的编码器,将两种不同方向上的像素邻域的差分值计算融合到卷积网络运算中,以充分获取裂缝语义信息的同时更好地捕获局部梯度信息,使得在背景复杂的情景下裂缝边缘识别更准确。在混凝土类岩石裂缝数据集CRACK500上对比了同类方法,实验结果表明：该方法在上述数据集上的平均交并比和D_sc分别为0.436 3、0.580 4,裂缝分割精度、相似性上均优于对比方法。     

基于对比度受限自适应直方图多种路面裂缝检测与识别

传统的人工检测路面裂缝会造成人力资源浪费,且检测工人作业危险性和劳动效率等因素限制了路面裂缝的及时修补。本文提出了一种新的路面裂缝检测与识别方法:对来自车载系统拍摄的道路图片进行分析,通过对比度受限自适应直方图均衡(CLAHE)和中值滤波等去除图像中的噪声,利用形态学处理技术去除伪裂缝区域,并且根据投影信息完成对裂缝的标定、提取裂缝的骨架信息。对于不同路面的不同形状的裂缝,运用本文提出的算法,平均识别率达92%,能够较好地满足当前城乡路面裂缝检测的要求。     

基于凹性特征测度的路面裂缝提取及其形态分析

路面环境复杂多变性和路面裂缝不规则性及其信息的弱信号性,导致路面裂缝检测很困难。提出了一种基于凹性测度的路面裂缝提取及形态分析方法,对路面裂缝图像特征进行了分析,推导了能有效表达路面裂缝特征的非负测度、凹性强度等数学公式,将路面图像转变为凹性特征强度图,通过对特征强度图的非负增强、区域方差去噪、连通域几何特性去噪等系列处理,完成路面各类裂缝的提取,实现裂缝链码的单像素跟踪,确定裂缝几何形态和大小。实验结果表明,文中方法可以准确快速地检测路面裂缝及进行几何分析,抗噪声能力强、检出率较高、漏检率低,为路面裂缝的车载式自动检测及路面质量评价提供了关键技术。     

一种基于无人机影像的迭代二值化 道路裂缝检测方法

道路裂缝是评价路面性能指数的一项重要指标,目前常用的检测方法有人工检测法和道路信息检测车检测法,这2种方法作业危险系数大、成本高,而消费级无人机在获取道路裂缝信息方面有着巨大的优势。本文针对现有道路裂缝检测方法存在训练样本大、试验周期长等不足,提出了一种基于无人机影像检测道路裂缝的方法。在对影像进行加权平均灰度化、直方图均衡化、中值滤波去噪等操作后,使用迭代二值化方法获得清晰的二值化影像,并采用积分投影的方式识别裂缝位置加以标记。结果表明,采用迭代二值化路面裂缝检测方法比直接采用基于灰度值特征对原始数据和去噪后数据进行检测效果有显著提升。在迭代次数为15次时,该方法对路面裂缝的识别正确率可达86.6%,误判率为13.4%,并且在复杂场景下有较高鲁棒性,提高了道路裂缝检测效率。     

改进的偏微分扩散方程图像增强方法

通过改进P-M扩散系数和融入相干增强扩散改善了传统的P-M模型,使得裂缝图像非边缘处以改进后的P-M扩散为主,在边缘处以相干增强扩散为主,达到了对裂缝图像去噪和增强的目的．理论分析和仿真实验表明,提出的方案较传统的P-M模型能使地面图像的特征得到更好的保护,使裂缝更加明显,利用该方法对裂缝图像进行预处理后,提高了路面裂缝目标检测的准确性,体现了该方法的优越性．     

基于小波变换的路面破损图像降噪增强算法

针对传统的边缘提取算法对提取路面裂缝的不适应问题,提出了一种基于二维离散小波变换的路面裂纹图像降噪增强算法。该算法利用小波变换分解公路裂纹图像,自适应地处理不同层次的细节系数,增强裂纹信息。实验结果证明,面对复杂的图像背景纹理信息和大量噪声,算法能够成功锐化裂纹边缘信息,去除公路纹理噪声,有着较强的鲁棒性。     

基于相位一致模型的边缘检测

边缘检测在图像处理和理解中占有重要地位,传统的边缘检测是基于梯度算子,而相位一致方法是基于傅里叶变换理论的一种图像特征检测方法.其原理是指图像特征总发生在相位的最大叠合处.通过计算局部能量,来度量其图像各个位置的相位一致值.利用log Gabor滤波器组实现相位一致模型.为了检验相位一致模型在边缘检测中的有效性,利用该方法对工业图像和遥感图像进行边缘检测实验,并将该方法与canny算子和sobel算子进行对比分析.结果表明相位一致方法可以有效地提取边缘特征.     

基于BP神经网络的沥青路面裂缝识别方法研究

沥青路面图像噪声污染多,随机性较强。针对传统路面图像在进行滤波、边缘检测等裂缝识别过程中,不能较好地识别裂缝信息且存在大量类似于裂缝的噪声污染问题,利用BP神经网络的学习性和容错性提出一种基于神经网络的裂缝识别方法。首先对沥青路面图像同态滤波增强后,将其分成32像素×32像素的小方格区域,然后提取小方格内图像参数与其邻域方格预测结果用于神经网络训练,最后将训练后的沥青路面图像小方格分为有裂缝和无裂缝两种,从而实现沥青路面裂缝的初提取。结果表明,该方法对沥青路面裂缝的识别率达到90%以上,能够较好地满足沥青路面裂缝识别的要求,是一种可行性较高的方法。     

基于特征金字塔网络的超大尺寸图像裂缝识别检测方法

基于图像分析的裂缝自动检测识别一直是桥梁结构健康检测的热点问题之一。深度学习作为裂缝检测的重要解决方法,需要大量数据支持。公开数据集提供的小尺寸裂缝图像不足以解决超大尺寸细长裂缝图像的检测问题。提出一个基于特征金字塔深度学习网络的超大尺寸图像中细长裂缝的检测方法。通过对编码器提取的4个不同层次的特征图分别进行预测,网络能够实现对细小裂缝的高精度分割。试验使用120张大小为3 264×4 928像素的桥钢箱梁表面裂缝图像对特征金字塔网络进行训练、测试;并将获得的训练模型与通过双线性插值方法缩放图像至1 600×2 400像素和2 112×3 168像素两种规格生成的数据集训练后的模型进行对比。结果表明:该方法在对比测试中能够获得最高的裂缝检测交并比(IoU)为0.78,最低的Dice Loss为0.12。测试中,裂缝检测图像显示,缩放图像会导致部分裂缝信息的丢失,该方法能稳定地保留裂缝信息,并实现复杂背景下超大尺寸图像中细长裂缝的高精度自动检测。     

基于灰度和空间特性的谱聚类图像分割

为了克服谱聚类图象分割方法性能容易受到图像大小和相似性测度的影响,提出一种基于灰度和空间特性的谱聚类图像分割算法。该算法不对图像中的像素之间建立相似性,而是利用各个像素的灰度在图像中的分布信息和像素点的空间邻接信息建立灰度之间的相似关系,通过对图像中灰度的分类进而获得原始图像的分割结果。因此,该算法不会受到图像大小的限制,无论对于多大的图像,相似性矩阵的大小都是小于等于256×256。Berke-ley基准图像数据集上的分割仿真实验验证了该方法的有效性。     

一种多模态医学影像鲁棒配准方法

为提高多模态医学影像配准的鲁棒性和精度,提出了一种基于主定序和混合熵的配准新方法.首先利用主成分分析方法定义了图像的主定序特征,描述图像邻域像素间的空间信息和微观结构特性;进而结合图像灰度信息构造了一种基于混合熵的配准测度,有效保证了配准测度函数的光滑性和收敛性.多组多模态医学影像测试结果表明,新方法能有效抑制噪声,具有很高的配准精度,鲁棒性强,优于现有的几种方法.     

构件内部裂缝缺陷的有限元三维重建

提出了利用有限元的网格生成方法来实现构件内部裂缝缺陷的三维重建算法。首先,将边缘检测算法和基于种子填充的区域生长算法相结合,准确定位出裂缝的形状,提高重建的精度;其次,应用8节点的六面体单元格创建出裂缝模型,直接利用等方性体素建模,节约了计算成本;最后,对模型中的节点分类,针对不同种类的节点分别进行光顺处理。试验结果表明,该算法实现了对构件内部裂缝缺陷的三维空间形态的观察,弥补了以往算法只进行面重建的不足,提供了构件质量判定依据。     

采用U-Net卷积网络的桥梁裂缝检测方法

针对传统的桥梁裂缝检测准确性不高、丢失细节信息、宽度信息获取困难等问题,提出一种采用U-Net卷积网络的像素级、小样本的裂缝检测方法。该方法使用多层卷积自动提取裂缝特征,并利用浅层网络与深层网络叠加的方法实现裂缝局部特征与抽象特征的融合,从而保留裂缝细节特征,使得检测准确性大大提升。对检测结果中出现的背景杂波和伪裂缝,采用阈值法和改进的迪杰斯特拉连接算法来实现裂缝的精细提取。最后,采用八方向搜索法实现裂缝宽度的精确测量。实验证明,所提方法能准确、完整地对桥梁裂缝进行提取,宽度测量准确,可以满足应用需求。     

融合多尺度和多头注意力的医疗图像分割方法

为了从医疗图像中自动且准确地提取兴趣区域,提出基于神经网络的分割模型MS2Net.针对传统卷积操作缺乏获取长距离依赖关系能力的问题,为了更好提取上下文信息,提出融合卷积和Transformer的架构.基于Transformer的上下文抽取模块通过多头自注意力得到像素间相似度关系,基于相似度关系融合各像素特征使网络拥有全局视野,使用相对位置编码使Transformer保留输入特征图的结构信息.为了使网络适应兴趣区域形态的差异,在MS2Net中应用解码端多尺度特征并提出多尺度注意力机制.对多尺度特征图依次应用分组通道和分组空间注意力,使网络自适应地选取合理的多尺度语义信息. MS2Net在数据集ISBI 2017和CVC-ColonDB上均取得较U-Net、CE-Net、DeepLab v3+、UTNet等先进方法更优的交并比指标,有着较好的泛化能力.     

采用联合相似度谱聚类集成的极化SAR分类

为了降低谱聚类算法尺度参数对分类结果的影响,避免Nystrm逼近导致的分类结果不稳定,提出了一种基于谱聚类集成的极化合成孔径雷达(SAR)地物分类方法.首先,利用像素间的空间关系和极化信息,将基于相干矩阵Wishart距离的相似性测度和基于极化特征矢量欧氏距离的相似性测度相结合,引入马尔可夫随机场势函数,构造谱聚类的相似性矩阵;然后,采用基于Nystrm逼近的谱聚类实现极化SAR数据的单次谱分类;最后,采用集成策略完成对极化SAR图像的地物分类.实验结果表明,该算法提高了分类精度,区域一致性保持较好,且分类结果稳定.     

基于矢量运算的彩色图像边缘检测算法

在矢量运算基础上提出一种加权的矢量相似度彩色图像边缘检测法,给出了算法思想和计算步骤,并进行了验证。该算法首先将彩色图像转换到YCbCr颜色模型并构造像素的矢量表达,然后利用矢量欧氏距离计算像素间的相似度分布,相似度具有局域最小特征的点即为边缘。该算法通过颜色模型转换实现亮度和颜色分离,从而可以引入权值控制亮度和颜色对边缘的贡献。实验结果表明,矢量空间相似度可以很好地表达图像边缘,亮度和颜色分离的方式也有利于彩色图像的边缘检测。     

基于改进SSD模型和自适应滤波算法的水面漂浮物目标检测跟踪方法

水面漂浮物严重破坏河道景观和水生态环境,通过摄像头实施河湖可视化监管以改善河湖面貌,已成为积极落实“河湖长制”政策的重要技术手段。但由于河流环境复杂多样,存在水波扰动、动态光影和强光反射等诸多噪声问题,现有方法难以满足水面漂浮物实际管理需求。本文结合单帧检测与多帧滤波,提出了一种基于深度学习的水面漂浮物目标智能检测跟踪方法。在单帧检测中,删除5*5及以下低分辨率特征图,通过特征求和方式增强76*76高分辨率特征图以提升SSD检测算法在小尺度漂浮物目标的检测精度;在多帧滤波中,基于时空相关性和运动信息构建自适应滤波AF算法框架,计算视频帧中帧与帧之间的关联性,根据漂浮物目标的空间位置的变化幅度自适应删除偏离运动轨迹的漂浮物目标检测结果,以降低漂浮物跟踪漂移;在信息融合阶段,通过特征对比融合检测和滤波信息,实现检测信息和跟踪信息动态互补,并以不同检测跟踪场景数据集进行训练与验证。结果表明：在简单水面场景下中心位置误差为8个像素点时该方法的检测跟踪精度达到100%,成功率面积为0.94,平均速度达到17.27FPS,计算复杂度为7.18Billion;在复杂水面场景下中心位置误差为10个像素点时该方法的跟踪精度和成功率面积分别为93.24%和0.81,平均速度和计算复杂度分别为15.02FPS和8.76Billion,在复杂环境下兼顾了检测跟踪精度和效率。     

基于自适应流形相似性的图像显著性区域提取算法

为了在图像显著性区域提取过程中改善算法的自适应性和精准度,提出基于自适应流形相似性的图像显著性区域检测算法。将图像分割成超像素,根据图像中显著性区域频率变化比较大的特性,生成图像显著性区域的高频节点;针对高频节点利用凸包运算寻找显著性区域的种子节点;使用流形算法在图像中对种子节点进行显著性区域信息扩散,得到图像的显著性区域。试验结果表明:利用流形算法搭建求解每个数据的邻接矩阵进行信息扩散,能够在保证信息精准分类的同时提高算法的自适应性,其结果优于同类的图像显著性区域检测算法。