织物疵点检测与识别的方法研究

将织物图像分成大小相同的局部窗口,选取局部熵最小的窗口为待研究的感兴趣区域,在此区域内分割出疵点图像并用数学形态学中的开运算滤除噪声,计算疵点形状因子等作为识别参数,研究表明此方法因能避免对整幅图像进行复杂运算,在提取特征参数时对图像的全局搜索,具有识别正确率高、检测速度快等优点．     

基于改进的灰色关联度的根系图像边缘检测

目的实现对植物根系形态基本参数的计算和分析。方法针对阵列分布内窥式图像获取技术采集的根系图像,提出一种改进的灰色关联度的边缘检测算法。该算法基于灰色关联分析理论,采用变权的邓式关联度模型,利用Sobel算子的2个模板作为参考序列,选取像素的八邻域分量值形成比较序列,通过两类序列之间的关联度实现边缘检测。结果仿真结果表明该算法与传统的边缘检测算子相比,能够较准确地检验出有用的根系边缘信息。结论基于Sobel算子的变权关联度的根系边缘检测算法有效地提高了边缘检测效果,具有一定的抗噪性能。     

基于熵函数的语音端点检测方法

根据语音信号的波形特征,利用熵函数的性质,构造了一种特殊的熵函数,通过判断此函数值的大小确定是语音还是无声状态。实验表明,此方法计算简单而且具有很高的准确性。     

旅行社基于灰色关联度及熵权分析的聚类研究

提出以旅行社顾客满意度为依据的聚类方法。确定旅行社样本及评价指标体系,对满意度数据进行标准化处理,计算各指标熵权并归一确定权重,计算各旅行社样本的关联系数、关联度。由此,以离差平方和最小为聚类标准,对样本逐一聚类,得出一个动态聚类过程并用图表示。对确定的分类数,则得出确定分类。举出实例,得出分类为4类时,分为{x1,x3,x5,x6,x7,x8}{x2}{x4}{x9,x10}的结果。     

基于数学形态学的织物疵点检测方法

针对织物中普遍存在的破洞、断经和缺纬三类疵点,提出了一种基于数学形态学的织物疵点检测方法.首先运用自相关函数和快速傅立叶变换找出织物经纬结构上的重复单元,然后以这些重复单元作为依据,运用形态处理学中的腐蚀背景法和膨胀目标法确定图像中的疵点信息,通过不同疵点样本对该方法进行仿真实验.运用该方法可使疵点识别率达到97%.实验结果证明该检测方法是可行的.     

基于小波分析的织物疵点视觉检测方法

采用了二维离散小波变换对织物图像进行处理,根据小波变换后高、低频分量的特点,提取分解子图像特征值,送入BP神经网络进行识别,从而实现织物疵点的检测.     

基于信息融合和广义循环互相关熵的电机轴承故障诊断

针对传统基于单路振动信号的故障识别可靠性较差和传统谱相关方法难以有效处理非高斯噪声的问题,该研究提出了一种基于多传感器振动信号信息融合和广义循环互相关熵谱的轴承故障诊断方法.首先推导了广义互相关熵、广义循环互相关熵和广义循环互相关熵谱密度的计算公式;然后给出了电机轴承故障诊断步骤;再利用轴承外圈故障仿真信号,分析了轴承...     

基于小波变换和形态学的织物疵点边缘检测

为了精确确定织物疵点边缘,提出了一种基于小波变换和形态学的织物疵点边缘检测方法.在利用形态学实现疵点检测后,对其进行小波分解,用小波模极大值法和基于数学形态学的算法分别提取高低频子图像的疵点边缘,采用合理的融合规则将两个边缘图像进行融合.实验结果表明,该算法能有效地抑制噪声,且边缘清晰、准确,效果优于经典的边缘检测算法,具有可行性和有效性.     

基于近似熵的语音端点检测

提高语音信号端点检测的正确率一直是语音识别领域的一个重要课题,特别是提高在各种实际噪声环境下语音端点检测的正确率更为重要,而传统的基于能量与过零率的方法在噪声环境下不能有效地工作。近似熵是一种新的度量序列复杂性的方法,它具有较强的抗干扰能力。从信号复杂性的角度提出了一种基于近似熵的带噪语音端点检测方法,证明了通过给定一个合理的阈值可以有效地进行语音端点检测。在不同类型噪声及不同信噪比环境下进行实验,结果表明,对语音信号起点和终点的检测性能均要比传统基于能量的方法要好,即使是在较低的信噪比下,该方法仍能够比较准确地检测出语音的起止端点。     

基于递归奇异熵方法的波纹管压浆超声检测

为检测混凝土结构中波纹管内灌浆密实度,提出了一种基于递归奇异熵方法的波纹管压浆质量检测的方法。利用有限元软件进行理论模拟仿真,对结构响应信号采用多变量融合的方法,结合递归图分析法和奇异熵估计分析回波数据,结果表明,缺陷横向尺寸与递归奇异熵值具有单调对应关系,递归奇异熵方法可以用来判断压浆剥离尺寸。通过实际制作模型并测量,验证了该方法的可行性。     

基于图像信息熵统计直方图的图像增强算法

目的为了解决图像因亮度较大造成的成像效果不佳、局部细节不清楚等问题。方法将直方图均衡化技术(Histogram Equalization, HE)引入图像信息熵域,提出对比度弱化的图像信息熵统计直方图自适应均衡化算法(Contrast-reduced Adaptive Entropy Histogram Equalization, CRAEHE)。以各个灰度级信息熵统计值为基础,先将原图像分割成若干个子区域,对每个子区域的灰度信息熵统计值进行阈值截取,补充到子区域内各个灰度级上,再对子区域进行信息熵直方图均衡化处理。采用USC-SIPI和CBSD432数据集图像,用图像灰度均值、标准差、平均梯度、信息熵等参数对实验样本进行质量评价。结果文中算法处理结果较原图灰度均值下降了7.94%,标准差平均提高了52.22%,信息熵平均提高了19.86%,平均梯度提高了57.19%。结论文中算法增强了选自数据集里的过亮图像的细节,并使图像整体细节与质量都得到了改善,该算法的处理结果较其他处理实验样本的主观质量提升明显,对光照强度适应范围广。     

Binary Image Steganalysis Based on Distortion Level Co-Occurrence Matrix

In recent years, binary image steganography has developed so rapidly that the research of binary image steganalysis becomes more important for information security. In most state-of-the-art binary image steganographic schemes, they always find out the flippable pixels to minimize the embedding distortions. For this reason, the stego images generated by the previous schemes maintain visual quality and it is hard for steganalyzer to capture the embedding trace in spacial domain. However, the distortion maps can be calculated for cover and stego images and the difference between them is significant. In this paper, a novel binary image steganalytic scheme is proposed, which is based on distortion level co-occurrence matrix. The proposed scheme first generates the corresponding distortion maps for cover and stego images. Then the co-occurrence matrix is constructed on the distortion level maps to represent the features of cover and stego images. Finally, support vector machine, based on the gaussian kernel, is used to classify the features. Compared with the prior steganalytic methods, experimental results demonstrate that the proposed scheme can effectively detect stego images.     

一种基于熵率超像素分割的多聚焦图像融合

针对多聚焦图像融合问题,提出一种基于熵率超像素分割的多聚焦图像融合方法。首先,将多聚焦源图像进行预融合;然后,用熵率超像素分割方法将融合图像分割成不同的区域,得到一幅融合图像的分割图像,对得到的分割图像进行膨胀操作得到新的分割图像,每个区域计算源图像相应区域的区域空间频率,从源图像中选择区域空间频率大的区域赋予融合图像。最后,当融合图像的相邻区域来自不同的源图像时,对他们的边界进行边缘处理,从而得到最终的融合图像。实验结果表明,所提出的方法能够得到较好融合效果,同时还具有运行效率高等优点。     

基于小波图像融合的非对称失真立体图像质量评价方法

通过研究非对称失真立体图像人眼视觉感知特性,提出了一种基于小波图像融合的非对称失真立体图像质量客观评价方法.首先,采用固定尺寸块匹配方法得到原始立体图像块视差值,接着,根据该视差值的大小,同时结合非对称失真立体图像视觉感知特性,对匹配块进行小波融合得到原始融合图像和失真融合图像.最后,通过计算原始融合图像和失真融合图像...     

基于卷积神经网络的超分辨率失真控制图像重构研究

目的 解决超分辨率图像重构模型中存在的功能单元之间关联性差,图像色度特征提取完整性不强、超分辨率重构失真控制和采样过程残差控制偏弱等问题。方法 通过在卷积神经网络模型引入双激活函数,提高模型中各功能单元之间的兼容连接性;引用密集连接卷积神经网络构建超分辨率失真控制单元,分别实现对4个色度分量进行卷积补偿运算;将残差插值函数应用于上采样单元中,使用深度反投影网络规则实现超分辨率色度特征插值运算。结果 设计的模型集联了内部多个卷积核,实现了超分辨率色度失真补偿,使用了统一的处理权值,确保了整个模型内部组成单元的有机融合。结论 相关实验结果验证了本文图像重构模型具有良好可靠性、稳定性和高效性。     

四边形分片逼近控制点的图像畸变校正算法

针对传统的图像畸变校正算法建模复杂、实时性差且图像信息易丢失等缺点,提出了一种基于四边形分片逼近控制点的图像畸变校正算法.该方法以标准点阵图像作为量测目标,将数学形态学和滑动邻域操作相结合以确定畸变图像像素点质心,采用基于四边形分片逼近的方法来拟合高次多项式校正模型,运用两步一维线性灰度级插值向后映射算法确定输出图像中像素点的灰度.将该算法在TMS320DM6437 DSP上实现,实验结果表明,校正一幅像素为768×494的图像所用的时间为0.036 S,畸变校正的误差在0.31个像素以内,有效地避免了边缘信息丢失、空洞及灰度失真现象.     

一种改进的二维最小交叉熵图像分割方法

针对当前二维最小交又熵阈值法存在计算复杂度高等问题,提出了一种改进的二维最小交叉熵阈值分割方法.首先,依据图像的含噪声类型选择邻域模板并建立相应的二维直方图来提高分割效果;然后,对二维最小交又熵公式进行推导和简化处理,利用定义的数组运算推导出新型递推算法,再确定图像及其邻域图像的实际灰度级别范围,并用这种新算法在所求的灰度级别范围内搜索最佳阈值向量来降低计算复杂度;最后,使用关键阈值一对滤波后的图像进行分割达到最佳的分割效果.仿真实验结果表明,与当前的二维最小交又熵阁值分割法相比,本文提出的方法不仅分割性能及抗噪性能更强,而且分割时间大大减少,小于0.05 s.     

一种基于小波子带熵的遥感图像压缩算法

提出了一种使用小波子带熵进行比特分配的遥感图像压缩算法.对遥感图像进行小波提升分解后,分析了各高频子带能量百分比及其熵的变化趋势,在此基础上提出了一种新的快速比特分配方法-使用子带熵进行比特分配.然后对各个高频子带进行均匀量化,量化后的数据采用比特平面编码.对最高比特平面只记录该比特平面中非零系数的坐标,其它比特平面采用行程编码和Huffman编码方法进行压缩.实验结果表明,纹理复杂以及相对平坦的遥感图像使用该算法压缩后都可以获得很好的重构图像质量,峰值信噪比均大于34dB,而压缩比则与图像的复杂程度有关.     

基于可变形密集卷积神经网络的布匹瑕疵检测

针对传统布匹瑕疵检测方法无法适用于尺度变化大、面积占比小的瑕疵特征,提出一种基于可变形密集卷积神经网络模型。为了关注到图像中距离较远的特征信息,并避免捕获纹理信息,采用可变形卷积来增强特征的语义表达能力。通过在卷积层中设置卷积像素相对于中心像素各自的x,y方向偏移量,并利用反向传播训练偏移量以增加感受野的变形适应性。同时,采用密集连接的方式以保持模型不遗漏边缘瑕疵信息。最后,根据瑕疵类别预测和位置边框回归实现瑕疵的分类和定位检测。实验结果表明:该模型的平均检测精度和单类目标检测精度标准差分别为93.53%,2.5139,相比于其他方法更具有竞争力。