一种提取局部区域共同向量的瑕疵分类算法

针对同类布匹瑕疵外形和纹理差异性大,异类布匹瑕疵又存在一定的相似性,造成难以分类的问题,提出了选择瑕疵局部区域特征作为特征空间,采用共同向量方法提取布匹瑕疵特征与分类算法.局部区域特征是指瑕疵局部区域灰度直方图特征和瑕疵几何特征.首先通过最优化多通道二维Gabor小波检测出瑕疵区域,然后选择瑕疵局部区域灰度直方图统计特征、瑕疵长宽比特征和方向特征;再采用共同向量方法提取瑕疵共同向量特征;最后采用最小距离方法进行分类.该方法具有小样本学习能力、计算量小、识别率高等特点.     

基于非下采样Contourlet域高斯混合模型的布匹瑕疵识别算法

针对经典瑕疵检测算法不能很好地描述瑕疵特征和不易区分相似类瑕疵类别的问题,提出了一种非下采样Contourlet域高斯混合模型的布匹瑕疵识别算法。首先利用非下采样Cont-ourlet变换(NSCT)得到图像的多方向、多尺度和平移不变表示,并通过代价函数挑选一个最优子带;由于子带瑕疵和非瑕疵区域系数差别较小,很难直接选取阈值,采用标准差法可以有效避免这个问题,获得比较准确的检测结果;然后计算瑕疵区域的统计特征得到特征向量;接着引入最小误分率函数,联合估计样本的高斯混合模型参数;最后采用贝叶斯分类器进行分类。在9类瑕疵上的实验结果表明,本文算法与几种经典算法相比得到更高的分类正确率。     

基于改进的EfficientDet的布匹疵点识别

为了准确而高效地识别出布匹各种疵点的种类，采用改进的EfficientDet算法进行布匹疵点识别。首先采取改进的Ostu阈值分割算法进行特征边缘的检测，采用非极大值抑制方法对边缘进行筛选，确定候选区域；然后采用筛选器对候选区域的疵点进行识别和分类，其中筛选器采用改进的EfficientDet算法。改进的EfficientDet算法与其他优秀的目标检测算法以及原算法进行了比较。结果表明，改进的Ostu分割算法相较于传统算法不仅可以在更多的布匹图像中更准确地识别疵点区域，而且抑制了假边缘现象；该模型规模是几种算法中最小的，识别准确率达到94%，高于目前最优算法4个百分点。     

基于机器视觉的智能化布匹瑕疵检测方法

为了满足布匹瑕疵检测的准确性和实时性要求,通过对几种纹理分析方法的讨论,提出了一种智能化的瑕疵检测方法.该方法将图像等分成局部窗口,利用局部标准差和平均值对图像进行初检测,确定瑕疵存在的区域.然后采用Gabor滤波器,在多分辨率和多通道上分别对图像有瑕疵的区域进行滤波,建立金字塔图像表示结构,并对滤波后的多幅图像进行融合和重建,把瑕疵从布匹背景中提取出来,从而完成瑕疵的检测.实验证明,该方法检测速度快,准确率高,能够满足检测要求.     

基于投影阈值分割和数字序列校正的高噪声数字仪表图像识别方法

针对数字仪表图像噪声大、图像特征信息不足导致图像识别准确率低的问题,提出了一种基于卷积递归神经网络结合投影阈值分割和数字序列校正的高噪数字仪表图像识别方法。首先,用投影阈值分割二值化算法对图像进行预处理：使用垂直投影法将图像划分为不同区域,根据不同区域的噪声强度自适应设定二值化阈值,对图像进行二值化处理,降低噪声;其次,根据图像之间数字规律变化特点,利用数字序列校正算法将单个数字识别转换为数字序列识别,通过对比不同数字序列的识别概率得出识别结果,解决单张图像特征信息不足导致识别准确率低等问题。实验结果表明,在高噪声数据集上,相较于卷积递归神经网络模型,提出的高噪声数字仪表识别模型在准确率方面提高了约61.95%,达到93.58%。     

一种用于CTP版表面瑕疵的自适应检测算法

为了实现CTP版材表面不同类型瑕疵的自适应在线检测,引入人类视觉注意机制,融合区域生长算法对表面瑕疵图像进行分割,以面积作为特征值对瑕疵进行识别。首先根据人类视觉系统具有选择性注意机制的特性,对CTP版材表面图像的多特征图像采用图像金字塔分解得到多尺度图像,并利用基于图的算法（GBVS）将多尺度下多特征的图像融合为全局显著图。然后将显著图中最显著点即注意焦点作为区域生长的种子点,相似性作为区域生长准则,对原图像的梯度图像采用区域生长算法获得瑕疵区域二值化图像。最后利用注意抑制返回机制和邻近优先的准则,查找其他未检瑕疵,直至满足CTP版材的行业标准。实验结果表明：瑕疵检测系统分辨率0.1mm,检测平均准确率达96.3%以上,算法运行速度快,能满足CTP版材生产的在线检测实时性要求。     

深度神经网络下的SAR舰船目标检测与区分模型

合成孔径雷达(SAR)舰船目标检测在海洋监测中发挥着越来越重要的作用。针对SAR图像中舰船目标尺寸较小,传统方法易受外部干扰无法提取精细目标特征等问题,基于深度学习技术提出一种改进的SAR图像舰船小目标检测模型,主要由候选区域提取网络(RPN)和目标检测网络组成。首先设计并训练一个能精确识别舰船小目标的CNN模型,然后利用该模型对目标检测模型共享特征提取层进行参数初始化,最后利用自采集的Sentinel-1 SAR图像舰船小目标数据集对其进行训练。实验结果表明,提出的目标检测模型对SAR图像中舰船弱小比例目标有较好的检测区分性能和抗干扰能力,对SAR图像小目标检测领域研究具有一定的参考价值。     

基于遮挡目标去除的公交车拥挤度分类算法

由于公交车中场景复杂、干扰因素繁多容易出现遮挡乘客问题,现有深度学习和目标检测方法在对公交车内的拥挤程度分类时精度低、效果差,往往达不到令人满意的效果。针对这一问题,提出一种基于遮挡目标去除的公交车拥挤度分类算法,对公交拥挤进行分类和分析。该方法有遮挡物检测、图像去遮挡和拥挤度分类模块三部分组成。基于目标检测算法检测出遮挡物,通过图像修复算法对乘客图像进行修复,利用拥挤度分类算法分析拥挤度。本研究从真实的公交车中采集数据生成数据集,并进行标注。试验结果表明,基于遮挡目标去除的分类算法的准确率达到了67.12%,与现有的方法对比具有最高的预测精度。     

自适应控制下图像分割及并行挖掘算法

针对海量图像数据中目标的分割及识别问题,提出了一种自适应控制下图像分割及并行挖掘算法.采用隶属度函数窗口宽度在图像直方图控制下自适应调整模糊阈值图像分割方法对图像进行分割,提取出感兴趣的潜在目标区域,基于共轭梯度法改进的BP神经网络算法对潜在的目标区域进行训练和识别,识别算法基于OpenMP并行处理模型开发来提高执行效率.结果表明:本文算法相对于基于偏移场的模糊C均值、灰度波动变换自适应阈值和自适应最小误差阈值具有更高的分割准确率,与传统神经网络算法的识别结果相比,平均识别率提高了8%,运行时间减少了2. 5 s.     

基于迁移学习的天气图像识别

为提高天气图像识别的准确率,达到良好的天气图像分类效果,提出一种基于迁移学习的天气图像识别算法.该算法使用Xception图像分类算法实现网络架构,再基于迁移学习理论将模型和参数应用到天气图像识别中,并在同一数据集上与其他模型进行性能对比.实验结果表明,基于迁移学习的改进Xception模型有效解决了训练样本不足、准确...     

一种基于变分辨率机制的机坪目标检测算法

多目标检测任务存在目标尺寸变化范围大的情况。通过采集高分辨率图像,可以保证对小目标的观测效果,但是在原始图像中进行滑动窗口扫描式检索,会造成计算成本的显著增加;大尺度目标的检测通过对原始高分辨率图像压缩快速完成,但压缩过程会导致小目标的大量细粒度特征丢失:因此,文章提出一种基于变分辨率机制的YOLO检测 (multiple resolution mechanism based YOLO,MRMY) 算法,并用深度可分离卷积进行优化。该算法考虑特定场景下不同尺寸目标间的位置关系,采用多分辨率机制,先对高分辨率图像进行压缩,对大目标进行快速检测,再根据大目标位置信息确定小目标的搜索空间,并在原始高分辨率图像的局部区域进行小目标识别。由于在任一分辨率下目标尺寸较为明确,因此可对检测模型基于归一化层剪裁掉网络中不重要通道。尽管检测任务需要2次模型运算才能完成,但通过该检测模型可提高算法的速度。在网络公开数据集和自建数据集上的测试结果表明,MRMY算法的全类平均正确度（mAP）比YOLO V4算法提升约21%,检测速度为84帧/秒与YOLO V4的83帧/秒相近。     

基于自适应形态学滤波器的布匹瑕疵检测算法

针对布匹瑕疵检测算法中运算量大、自适应差的问题,利用布匹纹理周期性变化特性,自适应地构建结构元素,实现形态学运算;采用基于像素面积的阈值选择定位瑕疵位置。在不改变检测准确率的同时减少了运算时间。实验结果表明,该算法所确定的瑕疵位置与主观视觉吻合,相比经典算法,误检率、错误率均降低了4%。     

基于用户点击数据的细粒度图像识别方法概述

近年来,细粒度图像识别逐渐成为计算机视觉领域的研究热点.由于不同类别图像间的视觉差异小、语义鸿沟问题严重,传统的基于视觉特征的细粒度图像识别性能往往不尽人意.针对这些挑战,目前许多学者都在研究基于用户点击数据的图像识别.本文围绕点击数据在图像识别中数据预处理、特征提取和模型构建3大模块中的应用,总结了已有的基于点击数据的识别算法及最新的研究进展.     

一种基于单张图像的烟雾检测算法

为了提高烟雾检测的准确性,有效排除图像中类似烟雾的区域,降低由于环境和光照不同而产生的误检率,提出一种基于颜色矩并结合邻近算法进行分类学习的方法,对图像中的烟雾进行检测,该算法能克服光照不同、背景复杂的干扰,有效消除疑似烟雾区域的存在。算法由两部分构成：烟雾颜色矩特征的提取和利用邻近算法对特征数据集进行分类学习,自动找出并正确标记新的测试图像中烟雾区域的位置。     

基于机器视觉的铝型材表面瑕疵检测方法

铝型材的表面瑕疵影响其质量、外观以及安全性,如何准确、快速和高效地识别铝型材的表面瑕疵至关重要。为解决检测铝型材表面瑕疵的问题,提出一种基于机器视觉的铝型材表面瑕疵检测方法。该方法基于铝型材的瑕疵种类和特性,采用非线性的双边滤波,并对其定义域核函数作出空间域改进,改进后的滤波算法能够较好地抑制噪声,保留瑕疵边缘信息。预处理后采用改进的Canny算法对图像进行梯度计算并且通过非极大值抑制得到候选边缘,对缺陷进行定位。为了有效地对瑕疵进行分类,对其数据集进行数据增强,防止过拟合情况的发生,结合光照等外界因素对瑕疵特征的影响,采用HOG算法进行特征提取,并将卷积神经网络多层的特征与HOG特征进行融合,对卷积核采用相关系数法优化,解决传统HOG+SVM模型泛化能力和鲁棒性差的问题,铝型材表面瑕疵检测准确率提升至90.26%,平均每张测试集仅需58.34 ms,符合目前对铝型材表面质量检测的需求。     

基于HOG特征的优化区域模板匹配检测

针对HOG算法滑动窗口检测效率低和目标特征描述不精确的问题,提出了一种基于HOG的改进算法,提高了滑动窗口的检测效率并减少了目标模板相似性对结果带来的影响.该算法利用HOG特征来描述目标的整体和各个部件,优先检测图像中目标出现概率较大的区域.对于检测评分比较接近阈值的区域使用可变形部件模型进行精确检测,从而可以避免具有轮廓相似性的模板检测结果的不准确.结果表明,该算法对于静态图片有较高的准确率,且对于很多相似度不高的分类具有较快的检测速度.     

基于超分辨率重建技术的遥感图像小目标检测

针对传统舰船遥感图像存在背景复杂和信息模糊等问题,提出一种基于超分辨率重建的舰船遥感图像小目标检测算法.该方法首先通过超分辨率重建技术对信息模糊的原始遥感图像进行清晰重建,防止重建图像过程中出现过大的固有特征损失和过于平滑的梯度变化.在此基础上建立Faster R-CNN网络,自动提取图像数据集目标特征,准确地实现舰船遥感图像中的小目标识别.实验结果表明,基于超分辨率重建的检测算法的综合效率达到65.5%,相比传统算法提高12.9%.由此证明,改进后的算法能够有效克服目标尺寸小和识别背景复杂所带来的检出率低和准确率差等问题.     

基于对抗自编码器的融合数据标签新奇检测研究

新奇检测是识别一个新的数据点是一个内部点还是一个离群点的问题。检测准确率不仅取决于神经网络模型的理论和算法,还受限于数据特征的提取。基于对抗自编码器的生成概率新奇检测,在传统图像识别数据特征提取的基础上,在模型训练阶段融入图像数据的标签信息,采用生成概率进行新奇检测。实验结果表明:和其他新奇检测模型相比,基于对抗自编码器的融合数据标签的新奇检测效果更好。     

基于自适应增殖数据增强与全局特征融合的小目标行人检测

针对当前规模的小目标行人数据集较少，传统行人检测模型对小目标检测效果较差的问题，提出一种基于消隐点性质，提出自适应增殖数据增强和全局上下文特征融合的小目标行人检测方法.利用射影几何与消隐点的性质，对图像中的多个目标进行复制；通过仿射变换投影到新的位置，生成多个大小与背景合理的小目标样本以完成数据增强.利用跨阶段局部网络与轻量化操作改进沙漏结构，融合坐标注意力机制强化骨干网络.设计全局特征融合颈部网络（GFF-neck），以融合全局特征.实验表明，在经过数据增强后的WiderPerson数据集上，改进算法对行人类别的检测AP值达到了79.6%，在VOC数据集上mAP值达到了80.2%.测试结果表明，当搭建实验测试系统进行实景测试时，所提算法有效提升了小目标行人检测识别精度，并满足实时性要求.     

一种语义级文本协同图像识别方法

为解决单纯依赖图像低级视觉模态信息进行图像识别准率低的问题. 考虑到许多图像中存在文本信息,提出了利用图像中的文本信息辅助图像识别的语义级文本协同图像识别方法. 该方法通过文本定位方法定位到图像中的文本块,对其进行分割、二值化、提取特征等处理;然后获取语义,提取图像底层视觉信息,计算两模态的相关性,从而得到协同后验概率; 最后,得到联合后验概率,并取其中最大联合后验概率对图像进行识别. 在自建体育视频帧数据库中,通过与以朴素贝叶斯为代表的单模态方法进行比较,方法在3种不同视觉特征下均具有更高的准确率. 实验结果表明,文本协同方法能够有效辅助图像识别,具有更好的识别性能.