基于深度卷积神经网络的激光三维图像重建方法

针对当前的激光三维图像重建方法存在的精度低、效果差，耗时长等难题，为了提高激光三维图像重建效果，提出基于深度卷积神经网络的激光三维图像重建方法。首先采集待重建激光三维图像，采用去噪算法对激光三维图像进行去噪操作，并对去噪处理后的激光三维图像进行增强操作，改善激光三维图像视觉效果，然后采用深度卷积神经网络对激光三维图像进行激光三维图像重建，最后进行了多幅激光三维图像重建仿真测试，结果表明，深度卷积神经网络的激光三维图像重建精度超过93%,重建后激光三维图像质量得到提升，激光三维图像重建时间控制在40 ms以内，可以快速实现激光三维图像重建结果，同时重建后的激光三维图像整体效果要明显优于当前经典重建方法，具有更加广泛的应用前景。     

基于深度卷积神经网络的气象雷达噪声图像语义分割方法

针对新一代多普勒气象雷达的散射回波图像受非降雨等噪声回波干扰导致精细化短时气象预报准确度降低的问题,该文提出一种基于深度卷积神经网络(DCNN)的气象雷达噪声图像语义分割方法。首先,设计一种深度卷积神经网络模型(DCNNM),利用MJDATA数据集的训练集数据进行训练,通过前向传播过程提取特征,将图像高维全局语义信息与局部特征细节融合;然后,利用训练误差值反向传播迭代更新网络参数,实现模型的收敛效果最优化;最后,通过该模型对气象雷达图像数据进行分割处理。实验结果表明,该文方法对气象雷达图像的去噪效果较好,与光流法、全卷积网络(FCN)等方法相比,该文方法对气象雷达图像中真实回波和噪声回波的识别准确率高,图像的像素精度较高。     

基于人工智能的激光脉冲下光电子谱识别

传统激光脉冲下光电子谱识别方法受噪声影响,导致方法存在识别效率低、识别准确率低和抗噪声能力差的问题,为此提出基于人工智能技术的激光脉冲下光电子谱识别方法。在小波阈值去噪原理的基础上,通过三维融合策略对光电子谱图像进行去噪处理,避免噪声对光电子谱识别结果产生影响。采用人工智能技术中的深度卷积生成对抗网络,将去噪后的光电子谱输入卷积生成对抗网络中,输出光电子谱的识别结果。实验结果表明：所提方法的识别效率较高、识别准确率较高、抗噪声能力较强。     

基于图像分割的点云去噪方法

在基于结构光条纹投影的三维形貌测量中，由于环境等各种因素的影响会产生各种噪声。在现有的点云去噪方法中，通过分析三维空间和点云的几何关系进行点云噪声的去除存在计算复杂、效率低等问题。为了提高点云精度和点云去噪的速度，提出了一种基于图像分割的点云去噪方法。首先，根据结构光条纹投影重构的三维点云建立二维点云映射图像；其次，利用图像阈值分割方法和区域生长方法对二维点云映射图像进行图像分割；然后，对分割出的噪声区域进行记录并去除；最后，对新的二维点云映射图像重新进行三维重建得出去除噪声的点云。实验结果表明，经过该方法处理后点云精度可以达到99.974%，去噪时间为0.954 s。所提方法可以有效去除点云噪声，避免在三维空间进行复杂的计算。     

基于深度学习网络的三维激光雷达弱小目标分割研究

为了提升三维激光雷达弱小目标分割的抗干扰性与实时性，有效提取三维激光雷达图像有用信息，设计了基于深度学习网络的三维激光雷达弱小目标分割方法。采集目标三维激光雷达图像，应用小波方法去除三维激光雷达图像噪声；从去噪后的图像中提取三维激光雷达图像多尺度特征，并将特征输入到深度学习网络中训练，建立三维激光雷达弱小目标分割模型，实现弱小目标分割。测试结果表明：该方法能够高精度分割三维激光雷达目标，且分割速度较快，具有较高的实际应用价值。     

基于Unet的多任务医学图像语义分割模型

深度学习网络在医学图像分割领域应用广泛,针对传统语义分割模型只在局部像素点进行考虑,在小目标的医学图像语义分割中检测精度不高。本文提出了基于Unet的双任务图像语义分割模型,对传统的Unet语义分割进行改进,编码阶段采用经过预训练的Resnet34作为框架进行特征提取,设计了SCSE模块对图像特征信息进行修正,从空间和通道两个方向获取图像的全局信息,损失函数采用“分类”和“分割”融合的多任务策略进行学习,对气胸医学图像进行语义分割。为进一步提高网络模型的泛化能力,对数据集图像进行随机水平翻转、垂直翻转等图像增强处理,实验表明该语义分割方法比传统的Unet语义分割方法在分割精度上提高5%以上。     

激光主动成像制导图像去噪算法研究

快速有效地对所获图像进行去噪是提高激光主动成像制导精度的关键一步。针对成像中的散斑噪声,提出了一种改进的小波阈值与基于积分图像的非局部均值滤波相结合的去噪算法。首先对激光主动成像图像进行噪声分析;然后通过对数变换将乘性噪声转换为加性噪声;而后将含噪图像进行两层小波分解,在第一层高频部分运用改进的小波阈值法,在第二层高频部分运用基于积分图像的非局部均值滤波算法进行去噪;最后进行相应的逆变换得到去噪图像。理论分析和实验结果证明,该算法能有效去除噪声,较好地保证了图像细节,并且满足激光主动成像制导对图像去噪实时性的要求。     

一种新的含噪遥感图像Otsu分割算法研究

Otsu（最大类间方差）是经典的非参数、无监督、自动获取最佳阈值的最优图像分割方法。但是,在用于含噪图像的分割时,Otsu方法并不能取得理想的分割效果。针对这一问题,本文在Otsu分割方法的基础上,给出了一种新的含噪遥感图像分割算法。该算法首先用小波包对含噪图像进行全局阈值的去噪处理,然后利用局部加权回归对图像像素逐一估计去噪,得到去噪后的图像,之后采用Otsu方法对估计图像分割。仿真实验表明：该算法不仅计算量小,具有良好的抗噪能力,而且获得了较好的分割效果。     

一种改进的一维模糊熵图像分割算法

传统的一维最大模糊熵图像分割算法对于图像的局部信息干扰噪声处理能力存在不足。文中研究实数编码混沌量子遗传算法（RCQGA）与一维模糊熵算法相结合的新算法。该算法将图像的空间信息和像素信息引入到一维模糊熵图像分割算法中,并运用实数编码混沌量子遗传算法对一维最大模糊熵图像分割算法进行改进,从而提高了一维最大模糊熵分割精度。研究结果表明,该算法分割效果明显优于传统一维模糊熵图像分割算法,并具有较强的抗噪性能。     

图像边缘权重优化的最小生成树分割提取

针对无监督图像分割方法对噪声敏感而导致图像建模困难、分割结果准确率低等问题,该文提出一种图像边缘权重优化的最小生成树分割提取方法。首先,利用L0梯度最小值平滑处理噪声再结合Otsu优化Canny边缘检测,得到更加准确的边缘信息;其次,重新设计权重函数,采用更加合理的色差空间构建加权图,通过改进分割准则优化物体合并与区分过程;最后,选择不同类型图片进行抗噪性、分割效果实验。实验结果表明：相对于其他算法,该文算法的抗噪性能优秀,分割精度平均提升5.15%,过分割率平均下降32.07%,欠分割率平均下降2.69%。将其运用在实际航空遥感图像的河道湖泊提取中,所得结果相比其他主流算法结构更加完整,无关信息更少,抗噪性能更好。     

基于四叉树结构的图像分割技术

基于四叉树结构的图像分割方法是区域增长技术和人工智能技术的结合,它的分割速度比区域增长方法快得多,在分割结束时,算法同时得到图像目标大小、目标灰度、目标个数、目标边缘等结果。对多目标图像分割有更好的适应性。文章最后激光烧孔图像、细胞图像和海上舰船图像进行了实验,说明算法有很好的适应性。     

基于梯度卷积的激光光斑图像分割

为解决传统方法对存在背景噪声干扰的光斑图像分割效果不理想的问题,设计了一种基于梯度卷积的光斑图像分割算法。首先对光斑、背景、噪声的空间灰度分布特性进行分析。而后根据目标与干扰在空间灰度梯度分布特性的差别,构造适应目标尺度的梯度卷积模板,与光斑的梯度图进行卷积,从而在增强光斑特性的同时抑制了背景干扰及噪声。最后,在噪声抑制图像的基础上结合阈值分割和目标特性判别得到最终的分割结果。通过与传统光斑分割算法进行对比实验发现,该算法抗噪能力更强,有效解决了背景与噪声干扰下光斑目标的分割问题。     

基于深度学习的供应商资质证书智能识别技术研究

随着大数据人工智能的快速发展,机器学习、深度学习和强化学习等技术逐渐广泛应用于企业的业务环境中。供应商证书查验是一项繁重的业务工作,同时也是供应商管理流程中的重要环节。文章旨在研究一种基于深度学习的供应商证书智能识别技术,将证书识别分成可通过OCR机器视觉检测的文本区域和检测后的文字识别部分,实现了非结构化的证书图像转换为结构化文本,以此来提高企业办公效率,降低人力成本。     

基于红外注意力提升机制的热成像测温区域实例分割

AI+热成像人体温度监测系统被广泛用于人群密集的人体实时温度测量。此类系统检测人的头部区域进行温度测量,由于各类遮挡,温度测量区域可能太小而无法正确测量。为了解决这个问题,该文提出一种融合红外注意力提升机制的无锚点实例分割网络,用于实时红外热成像温度测量区域实例分割。该文所提出的实例分割网络在检测阶段和分割阶段融合红外空间注意力模块(ISAM),旨在准确分割红外图像中的头部裸露区域,以进行准确实时的温度测量。结合公共热成像面部数据集和采集的红外热成像数据集,制作了“热成像温度测量区域分割数据集”用于网络训练。实验结果表明:该方法对红外热成像图像中头部裸露测温区域的平均检测精度达到88.6%,平均分割精度达到86.5%,平均处理速度达到33.5 fps,在评价指标上优于大多数先进的实例分割方法。     

基于Fisher准则的Otsu法在光斑中心定位中的应用

激光光斑中心检测广泛应用于基于视觉的形变量测系统中,故其检测算法的优劣直接影响系统量测精度。现有的光斑定位算法存在定位精度低,抗干扰能力差等问题,为了实现光斑的高精度定位,提出一种改进的激光光斑中心定位算法。该方法通过将Fisher准则函数应用于Otsu法对光斑图像进行阈值分割,降低了噪声干扰,提高了光斑定位精度。实验表明,与传统的阈值分割方法相比,光斑中心定位误差降低了40 %以上。     

基于改进人工蜂群正余弦优化的红外图像分割方法

针对红外图像背景复杂且分割难度较大等问题,提出了一种改进人工蜂群正余弦优化的红外图像阈值分割方法。首先是将二维Otsu函数作为蜂群算法的适应度函数;其次采用混沌对立的学习方法和差分进化的方法改进了初始化种群和蜜蜂搜索方程;然后利用改进的蜂群算法优化阈值,缩小阈值的搜索区域;最后利用正余弦法计算出全局最优解,该最优解即为分割的最佳阈值。实验结果表明:论文方法与Otsu法、k-means法、区域生长法以及分水岭法相比,图像目标区域分割的平均交并比为84.13,平均准确率为89.18,有效提高了红外图像的分割精度。     

联合蚁群算法和PCNN的脑部MRI图像分割方法

采用蚁群算法(ACO)联合脉冲耦合神经网络(PCNN)的脑部磁共振成像(MRI)图像分割方法。其中利用ACO解决了PCNN参数设置困难的问题,同时能够克服图像的低对比度和噪声对图像分割的影响,实现图像的精确分割。首先利用ACO的全局搜索能力,以图像信息熵与灰度期望值的和作为ACO的目标函数,对PCNN的3个关键参数β、αE和VE进行设定;然后基于PCNN简化模型,结合最大熵值准则对脑部MRI图像进行分割;最后对分割结果进行面积滤波,得到最终的分割结果。实验结果表明,本文方法能够实现脑部MRI图像的自动分割,具有较高的精度和较强的鲁棒性。对于没有噪声的图像,本文方法分割结果的平均正确提取率达到97.0%以上,平均错误提取率达到0.4%以下,平均杰卡德相似系数达到94.8%以上;对于添加了不同级别噪声的图像,本文方法的分割效果也优于FCM和自适应PCNN。     

基于形态学操作和模糊聚类技术的超声图像分割

针对医学超声图像对比度低和噪声强的特点,提出了多尺度形态学操作和模糊聚类技术相结合的图像分割方法.该方法利用多尺度形态变换提取图像的结构特征,通过对不同尺度结构特征数量的统计分析,估计图像中噪声尺度大小,并修改不同尺度结构特征的强度,从而实现对图像局部对比度的增强和噪声抑制.同时,使用新的模糊C均值聚类算法对增强后图像进行分割,从而进一步地减少图像中噪声对分割的影响,完成超声图像的有效分割.实验结果表明该方法对超声图像的分割是有效的.     

NMR image segmentation based on Unsupervised Extreme Learning Machine

Unsupervised Extreme Learning Machine (US-ELM) is a machine learning method widely used. With good performance in anti-noise and data representation, as well as fast clustering speed, US-ELM is suitable for processing noise containing nuclear magnetic resonance (NMR) image. Therefore, in this paper, a brain NMR image segmentation approach based on US-ELM is proposed. Firstly, a median filter is adopted to reduce the influence of noise; Secondly, US-ELM maps the original data into the embedded space, which makes it increasingly effective to represent the characteristic of pixel points, and then uses the k-means method to perform the image segmentation, named NS-UE; After that, spatial fuzzy C-means (spFCM) provides a better solution for handling NMR image with noise caused by the intensity inhomogeneity than k-means does. As a result, an image segmentation approach based on US-ELM and spFCM (NS-UF) is proposed, so as to improve the effect of clustering in embedded space. Finally, extensive experiments on real data demonstrated the efficiency and effectiveness of our proposed approaches with various experimental settings.     

红外图像阈值分割算法的研究

目标分割是图像处理、计算机视觉及人工智能领域中的一项基本而关键的技术,其目的是为后续的识别、分类、跟踪和检索提供依据.由于红外图像具有对比度低、噪音大,图像模糊等特点,故将遗传算法应用到红外图像阚值分割中.本文对红外图像阈值分割算法进行了综述,对遗传算法在红外图像分割中应用的研究方法,研究现状及其新技术进行了介绍.该算法被用在红外图像处理中,并取得较好效果.