一种在铸件缺陷识别中的区域分形分割方法

在利用X射线对铸造缺陷识别的过程中,由于X光图像中铸件形成的背景复杂,传统的区域分割技术难以分割出缺陷集中的兴趣区域。利用缺陷边缘的分形特性从铸件边缘线图中确定缺陷的边缘线,以聚类方法将缺陷边缘线聚集的区域,即缺陷集中的兴趣区域分割出来。针对汽车铝合金轮毂铸件X光图像,用铸造缺陷区域的分割实验结果证明了该方法的有效性。     

海天背景下目标图像的分割方法

海天背景下目标图像的分割,即把目标从海天背景中提取出来,以便于对目标进行自动地探测,跟踪、分类和识别.根据海面及天空背景的辐射特征,提出了一种完全自主的.适应性极强的逐行聚类方法对海天背景下目标图像进行分割.实验结果表明,该方法计算简单,不需任何先验的知识,能完全自主地实现对海天背景下复杂目标图像分割,取得了较好的效果.     

快速扩散与SOM分类结合的MSTAR图像分割算法

运动、静止目标获取与识别(MSTAR)计划表明,将合成孔径雷达(SAR)图像分割成目标、阴影和背景杂波区域对于从开放环境中进行目标识别是一种有效的手段,但由于SAR图像自身固有的斑点噪声的影响,传统的分割方法很难获得准确的分割,为此提出了一种同性扩散抑制MSTAR图像斑点噪声的方法,它能快速取得感兴趣的目标区域图像.图像预处理后,利用基于自组织特征映射神经网络的图像分割算法对图像进行分割.通过实验确定自组织映射神经网络的分类数.实验结果表明分割效果是显著的.     

非均匀光照下蔬菜病斑识别算法研究

研究蔬菜大棚内蔬菜病斑识别问题,由于蔬菜大棚内空间小,当阴天等外界光照不充足时,图像采集器拍摄到的蔬菜图像往往存在光照不均匀的现象,直接对图像进行分割处理会影响蔬菜病斑的识别,造成识别准确率不高的问题。为了克服这一问题,提出了一种小波变换的病斑识别方法。首先对图像进行小波变换以初步去除非均匀光照对图像的影响,通过确定RGB模型的b分量阈值对图像进行背景分割,将背景分割得到的蔬菜图像进行自适应阈值分割,最终将蔬菜病斑完全分割出来,避免了光照不均匀对识别的影响,成功实现蔬菜病斑的识别。仿真证明,改进方法能够去除光照等外界环境的影响,准确将蔬菜病斑分割并识别出来,取得了满意的结果。     

一种轮毂X光图像的快速区域分割方法

由于轮毂X光图像的复杂性,传统区域图像分割算法难以对其准确和快速地分割,直接影响轮毂质量检测的评判.文中提出了一种基于轮毂X光图像的灰度信息和几何特征的快速区域分割方法.实验结果表明,该算法能准确快速地分割轮毂X光图像目标区域,为后续区域缺陷检测奠定良好基础,具有很强的实用性.     

桥梁识别中阀值分割算法的研究

在介绍图像分割的主要特征的基础上,针对桥梁识别中图像分割的特点,提出了一种从直方图中快速自动分割的方法.与传统的最大类间方差法相比,实验验证该方法用于桥梁识别前的图像二值化处理时,能够更好地消除图像噪声,将背景与目标分割开来,有利于下一步的目标识别和跟踪.     

采用最小误差阈值分割算法的基因芯片图像分析

为了能够较好地处理芯片图像,尽可能准确地提取出描述基因样点的数据信息,采用了最小误差阈值的分割算法.该方法在假设目标和背景的分布服从混合正态分布的前提下,设定了最小误差分类目标函数,通过求得使目标函数值最小的最佳分割阈值,实现基因样点和背景图像的分割.针对分割出来的基因样点图像提取特征数据,最后对这些数据进行聚类分析,进而对实验样点进行分类.在实验中应用该方法分析了2组基因芯片图像,基因样点的分类效果较好,验证了该基因芯片分析方法的可行性.     

一种适于实时机器视觉的光照补偿方法研究

光照对图像颜色失真的影响是机器视觉中尚未有效解决的技术难点之一.通过建立一种基于背景的非均匀光照补偿模型,从原图中分离出图像的光照变化,对图像进行校正预处理.提高了后续分割的准确度.实验证明该方法运算开销小,应用到实时性要求高的足球机器人视觉系统中,能有效地克服比赛中光照的不均匀性对目标颜色失真的影响,提高了视觉系统的识别效率.     

基于Otsu多阈值和分水岭算法的乳腺肿块分割

在乳腺X线图像中,肿块大多埋没在复杂的、高密度的腺体背景中难以检出和识别.针对这一问题,提出了一种应用快速多阈值Otsu算法和改进的分水岭算法相结合的乳腺X图像肿块分割方法.首先对乳腺X图像进行形态学预处理,然后应用多阈值Otsu算法对图像进行处理,并对图像运用分水岭算法进行分割.为了避免过分割现象,对分割后的图像进行了相似区域合并.实验表明该方法对于乳腺X图像中各种类型的可疑肿块的分割都是有效的.     

支持向量机的多目标图像分割算法仿真研究

研究图像的目标分割和识别优化问题,针对大量自然场景图像中分割出的各种不同日标,从各种背景分割出有意义的目标有困难.为了从图像中准确分割日标,提出了一种支持向量机( SVM)的多目标分割技术.首先将图像分割为较小的区域,并利用区域融合算法将其合并为语义日标.然后通过用户的交互,指定部分关键点和关键区域,并使用支持向量机算法,将图像中的各区域分类为关键区域,融合为最终的日标区域.试验结果显示方法能分割出图像中不同的目标,能够更好地保留图像分割细节信息,使分割结果与人眼视觉的判断标准相近,证明改进的方法能广泛适用于多日标自动识别.