基于非线性卷积的可控图像类推和自类推技术

提出一种新的图像类推技术,定义"风格"为作用于内容上的非线性卷积过程.通过估计卷积核实现风格学习,通过执行卷积实现风格的传递.该定义能够极大地加快类推速度,提高风格学习与样本数据的独立性,增强图像类推的稳定性与适用性.同时还提出了对图像进行迭代式风格化作用的连续类推思想,以及通过自身构建训练集的自类推思想.连续类推可以生成不同强度的风格化序列,进而实现图像类推控制;图像白类推则可以应用于超分辨等与尺度相关的问题.     

基于多尺度图像块的SAR图像无监督分割

提出了一种基于多尺度图像块的SAR图像无监督分割方法。在利用高斯混合模型进行图像分割时,大多采用的是基于单个像素的分割方法,这种方法由于未考虑像素周围邻域结点的信息,分割精度往往不高。论文考虑到SAR图像具有很强的斑点噪声,为了更好地抑制斑点噪声对分割结果的影响,在多分辨分析的基础上提出了一种基于多尺度图像块的图像分割新方法。实验表明,这种基于多尺度图像块的分割较在单个像素下多尺度Markov模型的MPM分割好,分割精度有了较大的提高。     

一种基于有效梯度信息的复杂图像分割方法

论文以集装箱号码图像为例,在分析比较几种流行的图像分割算法后,提出一种新的基于有效梯度信息的图像分割算法,即直接针对梯度图,对目标与背景边界部分的梯度信息进行统计分析,并在此基础上直接得到图像的阈值,完成分割。实验表明,对于类似集装箱号码的复杂图像,论文方法能得到较其他方法更好的分割效果。此外,论文方法有较好的实用性,能广泛应用于多种图像分割领域。     

基于学习字典的图像类推方法*

提出一种基于学习字典的图像类推方法,较好地增强了图像类推的算法效率。先将样本图像对分块, 统一进行稀疏编码,训练学习字典,以建立它们之间的稀疏关联,再将这种关联作为先验知识来指导图像类推。 该方法主要有训练学习字典和类推重建两个过程。字典训练过程可离线实现,提高了计算速度,并且可实现大 量样本的训练;在类推重建过程中,该方法将通用图像类推方法中的搜索、匹配过程转换为稀疏先验的线性优化 问题,显著提高了算法的计算效率。通过纹理数值化、风格化滤波等图像类推实验,证明了方法是快速有效的。     

基于MAP技术的图像类推超分辨重建方法

在最大后验概率(Maximum A Posterior,MAP)的基础上,结合图像类推(Image Analogies,IA)思想,提出一种序列图像超分辨率重建方法--MAPIA (Maximum A Posterior Image Analogies).该算法先利用传统MAP方法将序列图像进行超分辨率重建,然后在序列图像中选取一帧图像与重建后的图像构造训练集合的图像对,学习它们之间的关系,利用图像类推技术进行超分辨率重建.实验证明文中方法不仅能有效提高图像的清晰度,而且较其它的方法,能得到边缘更加清晰、细节更加突出的重建图像.     

基于遗传算法的肝脏CT图像分割算法研究

遗传算法是一种基于生物选择与遗传机制所形成的一种全局优化、随机搜索算法,对处理一些传统搜索算法解决有难度的复杂问题比较适合,具有巨大发展潜力。论文首先介绍了遗传算法的基本原理以及它的主要特点和性质,重点叙述了基于遗传算法的图像分割方法,并通过应用遗传算法选取合适的阈值,进而采用最大熵原则对人体肝脏CT图像进行了分割算法处理,得到图像分割处理的实验结果,并对实验结果进行了分析。     

基于深度学习的图像语义分割方法综述

近年来,深度学习技术已经广泛应用到图像语义分割领域.主要对基于深度学习的图像语义分割的经典方法与研究现状进行分类、梳理和总结.根据分割特点和处理粒度的不同,将基于深度学习的图像语义分割方法分为基于区域分类的图像语义分割方法和基于像素分类的图像语义分割方法.把基于像素分类的图像语义分割方法进一步细分为全监督学习图像语义分割方法和弱监督学习图像语义分割方法.对每类方法的代表性算法进行了分析介绍,并详细总结了每类方法的基本思想和优缺点,系统地阐述了深度学习对图像语义分割领域的贡献.对图像语义分割相关实验进行了分析对比,并介绍了图像语义分割实验中常用公共数据集和性能评价指标.最后,预测并分析总结了该领域未来可能的研究方向及相应的发展趋势.     

一种新的基于区域的图像检索方法

论文提出了一种新的基于区域的图像检索方法。与传统的基于区域的检索方法相比,论文从组成目标对象的基本结构角度出发分割图像,利用少量色彩等级更易描述对象主要构成的特性提取一组能够描述对象基本组成的区域序列。采用这些区域列的面积作为图像特征,用于图像检索。实验表明,该算法简单但非常有效,而且对图像的旋转、尺度变化具有良好的鲁棒性。     

基于UNet++的煤岩显微图像组分分析

针对解决煤岩显微图像组分分析过程中,利用图像分割方法遇到的精度较低问题。论文提出了一种基于UNet++模型的图像分割方法。该方法首先将已标记的煤岩显微图像与基于Lovász-Softmax的分割损失相结合,实现对UNet++模型进行训练。再利用训练后的模型对煤岩显微图像按照组分类别进行分割标记。最后,对标记区域进行占比计算,完成煤岩显微图像组分的分析过程。实验结果表明,与K-means算法以及使用交叉熵训练的UNet++模型相比,论文所提算法更关注于各组分的纹理信息差异,且受图像中组分占比不均问题影响较小,对煤岩显微图像组分分割更准确。     

基于粒子群优化算法的阈值图像分割研究

研究将群体智能中的粒子群优化算法应用到图像分割中,提出了一种新的图像分割算法.新方法基于最佳熵阈值分割技术,用粒子群优化算法自适应选取分割阈值.仿真实验针对Lena图像分割问题,将遗传算法与粒子群优化算法分别独立运行,对得到的阈值以及均值、方差进行了比较,并将运行时间作为算法复杂度的评价指标.统计结果显示,论文算法不仅能够对图像进行准确的分割,而且运行时间明显较短.仿真结果表明,基于粒子群优化的图像分割算法是可行的、有效的.     

Image segmentation by conventional and information-integrating techniques: a synopsis

A synoptic discussion of image segmentation is presented. The aim is to provide an overall understanding of the general problems and issues associated with various segmentation techniques. The discussion has been organized in two parts: the first part is on those conventional techniques which use mainly information from one type of data; the second part is on those which try to combine data from several sources to obtain interpretations that cannot be obtained or would be hard to obtain from any single source of data. The paper stresses the importance, for segmentation, of data integration from several sensors and data integration over time, particularly the use of motion. It further emphasizes the importance of stating clearly the assumptions before developing or using a particular image segmentation algorithm.     

修改标记符梯度图像的分水岭变换

针对传统分水岭算法中存在的过分割现象,提出了一种修改标记符梯度图像的分水岭分割方法。该算法首先利用阈值分割法对图像中感兴趣的目标和背景进行标记;然后根据标记的二值图像,运用形态学极小值标定技术对原有梯度图像进行修正;最后,使用分水岭算法对修正的梯度图像进行分割。实验结果表明,该算法能有效地抑制过分割问题,并且使用标记符会为分割问题带来先验知识,这为人们解决模式识别等更高级的工作提供了一种有效方法。     

图像分割方法综述

图像分割是图像处理与计算机视觉的基本问题之一 ,是图像处理图像分析的关键步骤。对传统的图像分割方法和近年来出现的一些新方法进行了综述。具体介绍了基于区域的分割方法、基于边界的分割方法 ,基于区域和边界技术相结合的分割方法及基于特定理论的分割方法。     

一种融合纹理信息与图论的图像分割方法

针对未成熟苹果图像果实同背景色彩差距较小导致难以分割效果的问题,提出一种融合纹理信息与图论的图像分割方法。该方法先将图像划分为图像块并计算每个图像块的纹理信息,以图像块为节点利用纹理信息构造权函数得到无向带权图,用基于区域合并的图论图像方法进行分割并二次吸收合并。实验结果表明,在对象和背景色彩接近时,该方法比传统分割法效果好,且改善了分割过细的情况。     

基于RGB彩色空间的图像分割研究

图像分割是图像处理中的主要问题,图像分割效果的好坏直接影响图像分析的结果。彩色图像分割是指将彩色图像分割成各具特性的区域并提取出其中感兴趣的目标,为后续图像处理工作奠定基础。针对彩色图像梯度图进行分水岭分割会造成过分割的问题,比较阈值分割、最大类间方差分割和最大熵分割等图像分割方法,提出一种基于遗传算法改进最大熵的彩色图像分割方法。实验结果表明,该图像分割算法灵活性强,可以有效地分割彩色图像。     

基于遗传神经网络的图像分割

提出一种基于遗传神经网络的图像分割方法.该方法利用遗传算法对BP神经网络的权值和阈值进行优化,设计出误差最小的神经网络,然后用神经网络算法迭代实现图像的分割.通过实验证明:该方法与传统的图像分割方法相比,具有更好的图像分割效果;与BP神经网络相比,训练速度得到很大的提高.     

An Improved Method for Edge Detection and Image Segmentation Using Fuzzy Cellular Automata

Image segmentation is one of the most important and challenging problems in image processing. The main purpose of image segmentation is to partition an image into a set of disjoint regions with uniform attributes. In this study, we propose an improved method for edge detection and image segmentation using fuzzy cellular automata. In the first stage, we introduce a new edge detection method based on fuzzy cellular automata, called the texture histogram, and empirically demonstrate the efficiency of the proposed method and its robustness in denoising images. In the second stage, we propose an edge detection algorithm by considering the mean values of the edges matrix. In this algorithm, we use four fuzzy rules instead of 32 fuzzy rules reported earlier in the literature. In the third and final stage, we use the local edge in the edge detection stage to more accurately accomplish image segmentation. We demonstrate that the proposed method produces better output images in comparison with the separate segmentation and edge detection methods studied in the literature. In addition, we show that the method proposed in this study is more flexible and efficient when noise is added to an image.     

基于语义分割的红外和可见光图像融合

红外图像即使在低光照条件下,也能根据热辐射的差异将目标与背景区分开来,而可见光图像具有高空间分辨率的纹理细节,此外,红外和可见光图像都含有相应的语义信息.因此,红外与可见光图像融合,需要既保留红外图像的辐射信息,也保留可见光图像的纹理细节,同时,也要反映出二者的语义信息.而语义分割可以将图像转换为带有语义的掩膜,提取源图像的语义信息.提出了一种基于语义分割的红外和可见光图像融合方法,能够克服现有融合方法不能针对性地提取不同区域特有信息的缺点.使用生成式对抗神经网络,并针对源图像的不同区域设计了2种不同的损失函数,以提高融合图像的质量.首先通过语义分割得到含有红外图像目标区域语义信息的掩模,并利用掩模将红外和可见光图像分割为红外图像目标区域、红外图像背景区域、可见光图像目标区域和可见光图像背景区域;然后对目标区域和背景区域分别采用不同的损失函数得到目标区域和背景区域的融合图像;最后将2幅融合图像结合起来得到最终融合图像.实验表明,融合结果目标区域对比度更高,背景区域纹理细节更丰富,提出的方法取得了较好的融合效果.     

图像语义分割方法综述

图像语义分割是一种将图像分割成一系列具有特定语义类别属性的区域的方法,目前已成为当前图像理解分析和计算机视觉等领域的热点研究内容。在广泛文献调研的基础上,简述了图像语义分割方法的发展历程,从驱动类型的角度将当前主流的图像语义分割方法分为基于模型驱动的方法和基于数据驱动的方法,并分别进行了介绍,总结归纳了图像语义分割方法的性能评价标准,指出了图像语义分割方法的主要发展趋势。