基于水平集的局部自适应图像分割方法

针对传统水平集图像分割模型无法准确分割灰度不均匀及多目标图像的问题,提出了1种改进的基于水平集的局部自适应图像分割模型。该模型在CV模型(Chan和Vese提出的模型)和LAW(local adaptive weighting)模型水平集演化方程的基础上,重新定义了1个局部自适应权重函数来表示像素点所在邻域的偏差信息,并约束该偏差信息与图像的局部灰度不均匀信息之间的差异为最小,以得到精确分割结果。将模型应用于多相位水平集中,实现了对多目标图像的分割。实验结果表明,该模型对灰度不均匀图像及多目标图像分割更准确,且对初始轮廓的位置更鲁棒。     

基于保边分解的图像分割

为改善传统CV(Chan和Vese)分割算法对自然图像分割的效果,将自然图像进行自适应保边分解,获取的卡通分量区域内部具有一致性,区域间存在显著差异且目标轮廓清晰。对卡通分量运用水平集实现目标区域分割。实验结果表明,相对于传统CV分割算法,该算法对自然图像分割的效果较好,分割测评分数较高。     

基于模糊集理论的复杂背景下字符图像的分割

针对复杂背景字符图像的特点,根据模糊逻辑和阈值分割方法将图像分为目标区域,背景区域以及模糊区域。结合邻域的区域隶属信息和灰度信息将灰度域转换成模糊域,在该模糊域上进行分割。经实践,该算法在工业环境中能够对复杂背景的彩色印刷图像可以得到较好的分割效果,在时间复杂度不高于传统的阈值分割算法,并且在分割的精确度上要优于传统的阚值分割算法。     

基于互信息图割的风景图片美学测度

提出了一种基于最大互信息图割的摄影照片可计算美学测度算法。该方法按照信息理论元素将彩色图像R/G/B三通道信源空间进行压缩,根据图像邻近位置颜色分布相似的原理,进行区域Bins合并。然后采用逐像素扫描方式,用贪心法以最大信息熵为优化目标,找出区域的分割位置。接着采用二叉分割树进行存储优化分割节点,用大顶堆获取当互信息值最大的节点,对区域反复进行垂直或水平分割,以给定的分割区域块数为终止条件。最后累加分割过程中互信息值最大的节点之和作为照片最终的美学测度值。分割过程中,对算法进行加速,将R/G/B三通道的各像素直方图由16777216个Bins压缩成64个Bins。实验结果表明,这种算法测量的美学值与Ground truth一致,能有效地表现原图像的丰富细节,是一种将信息理论元素在图像微观美学测度的一种尝试。     

基于递进式级联卷积神经网络的混凝土裂缝识别方法

基于深度学习的卷积神经网络方法是目前图像裂缝识别鲁棒性较高的方法,主要分为滑动窗口法和图像分割法。滑动窗口法存在后期阈值分割裂缝精度不高的问题;全局图像分割法存在裂缝区域数据和背景区域数据严重不均衡问题,会对裂缝分割精度产生影响。采用了基于递进式级联卷积神经网络的方法对混凝土表面裂缝进行识别:首先采用全卷积神经网络一次性判断图像中所有密集重叠窗口区域内是否含有裂缝,然后将含有裂缝的窗口区块提取出来作为感兴趣区域,再基于轻量化的U-Net图像分割网络作用于感兴趣区域,将裂缝区域精确地提取出来。试验结果表明,所提出的基于递进式级联卷积神经网路的裂缝识别方法优于直接使用滑动窗口法和全局图像分割法,有着可靠的应用前景。     

基于PCNN模型的区域生长图像分割

提出了一种结合区域生长算法和脉冲耦合神经网络进行图像分割的方法.该方法将待分割图像的像素点映射为PCNN模型中的神经元,把改进的脉冲耦合神经网络模型的点火频率同区域生长的理论结合起来进行图像分割.实验表明该方法分割的图像与传统的分割法相比具有边缘信息更加完整,区域划分更加准确,分割效果更能符合人眼视觉的识别特征.     

基于全卷积神经网络的桥梁裂缝分割和测量方法

为了提高桥梁病害检测自动化水平,解决当前人工检测耗时费力和传统图像分割方法存在去噪效果不明显、分割后裂缝连续性较差等问题,提出了一种基于全卷积神经网络的BCI-AS(Bridge Crack Image-Automatic Segmentation)桥梁裂缝自动分割模型和一种基于投影技术的最小二乘拟合中心线的裂缝宽度测量算法。基于BCI-AS的模型对桥梁裂缝图像数据集进行了精确的像素级分割,分割准确率达到94.45%。基于投影技术最小二乘拟合中心线的算法对分割的裂缝二值图进行了宽度测量,结果表明相对误差在7%以下,证明了所提出具体算法对裂缝分割和裂缝宽度计算的可行性。     

面向施工机械的深度学习图像数据集合成方法

工程现场环境复杂,获取包含丰富信息的图像难度大且标注成本高,造成基于计算机视觉的深度学习施工机械图像数据集构建困难。为满足快速、高质量构建建筑工程领域施工机械深度学习图像数据集,提出一种基于三维建模引擎的施工机械图像生成与自动标注方法,并以挖掘机为例构建了名为SCED(Synthesized Construction Equipment Dataset)的挖掘机数据集。首先,采用三维建模引擎UE4对目标挖掘机设备进行模型构建,然后借助UnrealCV工具对原始模型进行多角度、多区域的图像采集,使用自编写模块实现自动语义分割与掩码图像生成,并完成图像的自动标注,最终生成包含10 000张图像的数据集。与现有公开机械数据集进行了目标尺寸、数量与构建工作量的对比,并比较了构建效率与成本,最后进行了图像数据集质量与效果验证。结果表明:该构建方法综合效率更高且成本更低,构建的SCED图像数据集丰富性和泛化能力更好,针对小目标物具有更好的检测效果; 研究成果可为今后建筑施工领域深度学习图像数据集的构建提供参考依据。     

土体裂隙图像处理方法进展

针对已获取的土体裂隙图像,介绍了数学形态学、图像分割等裂隙图像的处理方法。在数学形态学中,简明阐述了噪声滤除。骨架提取与重建等内容;在图像分割中,叙述了基于阈值、边缘检测、聚类、区域等图像分割方法;最后,对数学形态学、图像分割等裂隙图像处理方法的发展进行了展望。     

基于区域生长的沥青混合料数字图像分割方法

介绍了基于区域生长算法的沥青混合料数字图像分割方法,在此基础上,采用Matlab工具编制实现了分割的程序,对获取的数字图像进行了分割,并将分割之后的图像与利用OTSU方法分割的图像效果进行了对比,得到了各种方法的适用范围,以供参考。