指针式仪表图像高斯同态滤波增强算法研究

分析了指针式仪表图像的特征,探讨了指针式仪表图像高斯同态滤波增强算法.介绍了同态滤波的基本原理,利用高斯同态滤波算法对指针式仪表图像进行预处理,以增强图像的对比度,并提出了滤波器参数的选取方法.最后对增强后的图像进行最大类间方差二值化,为仪表图像的后续处理和后续识别工作奠定了基础.     

基于改进HOG特征提取与SVM分类器的建筑裂缝识别方法

针对现有的建筑外墙裂缝检测及分类算法在裂缝所处环境复杂的条件下,存在检测精度不高、分类效果不理想的问题,提出了一种基于改进的梯度方向直方图(Histogram of Oriented Gradients,HOG)特征提取与支持向量机(Support Vector Machine,SVM)相结合的建筑裂缝识别方法。在原有的HOG特征提取步骤上增加了图像增广、直方图修正和中值滤波三项预处理技术,然后将提取出的特征传入SVM进行分类识别。根据所提方法对300张图片进行检测,其准确率达到93%。对比于直接将HOG与SVM相结合的方法,获得了更高的图像识别精度,验证了所提方法的有效性和可行性。     

多目立体视觉三维重建系统的设计

针对工业产品质量检测过程中产品三维表面的重建问题,提出一种基于多目立体视觉三维重建方法.设计了一套由八个直线分布的工业相机构成的三维重建系统方案.首先通过图像采集模块,在八个不同方向对目标物体进行图像采集.其次对采集到的图像进行预处理,其中包括图像背景抑制和目标物体分割.然后通过相机标定模块,对八个相机进行标定,获得它们的内外参数,并结合Harris角点检测及高斯差分检测算法对预处理后的图像实现特征点提取.在此结果上,再利用三角形法对提取到的特征点进行匹配和校正.最后采用泊松表面重建方法准确地获取和优化角点,并找到角点特征的匹配点,从而对物体进行三维表面的精确重建.实验结果表明,设计的系统能够重建出静止物体的局部三维表面,重建结果中的物体表面完整,结构清晰,表面上的字符重建完整,能够很好地进行识别.     

墙体浅层裂缝检测的数字化图像处理方法

数字图像处理技术应用于墙体浅层裂缝测量可获取数字化的裂缝信息,具有操作灵活、测量精度高等优点,可以克服传统墙体裂缝宽度测量技术的费时费力、精度不高等不足,具有广泛的应用前景。该文提出了一种新的基于神经网络进行图像分割的方法,对墙体裂缝图像进行提取,一定程度上克服了传统分割方法对背景图像的依赖性,减少了伪点和伪区域,降低了采用形态学算法带来的不准确性,提高了测量准确性;同时介绍了对墙体裂缝图像进行数字化处理的具体方法和流程。结合工程实例进行实验,结果表明该技术测量精确,操作方便,具有明显的工程意义和一定的实用价值。     

基于SVM的流程图像角点分类

针对现有流程图像识别研究未能较好地处理文图粘连及断边问题,结合流程图像角点特征不受图文粘连和断边影响的性质,提出针对流程图像角点的自动检测和分类方法,为基于角点分类识别流程图结构并进一步开展流程图像理解研究奠定基础.首先,结合流程图像角点分析和流程图结构描述,定义了流程图像的角点分类模型;然后,根据连通域面积实现文图分割提取流程结构图像,综合运用经典算法检测流程结构图像的角点;最后,提取角点邻域的网格特征和外围特征、采用有监督的方式训练SVM分类器实现角点分类.针对CLEP-IP的公开流程图像集进行测试,实验证明角点分类准确率达到91.6%.     

基于深度神经网络的车辆特征识别方法

提出了一种基于深度神经网络的车辆特征识别方法,通过车辆特征智能检测识别实现交通智能监控和管理.采用三维区域轮廓扫描方法进行车辆图像采集和几何形状判断,对采集的车辆图像进行边缘轮廓检测和信息增强处理,突出车辆的类别属性特征点,在仿射不变区域对车辆角点分布信息进行直方图均衡化处理,实现车辆像素特征点的提取.对提取的像素特征点采用深度神经网络进行分类训练,实现车辆特征的智能识别.选取大量交通视频图像进行实验,仿真结果表明采用该方法进行车辆特征识别的成功率较高,输出车辆特征点正确的像素总数较多,对目标车辆的准确检测定位性能较好.     

在曲波域中应用统计模型的图像纹理特征提取

针对基于内容的图像检索系统图像纹理特征提取对图像检索精度存在影响的问题,提出一种基于曲波( Curvelet)变换与高斯混合模型(Gaussian Mixture Model,GMM)相结合的方法提取图像的纹理特征.该方法通过曲波对图像进行多尺度分析并结合K-means和期望最大化(Expectation Maximization,EM)算法来估计高斯混合模型的参数,以此构建图像的纹理特征空间.仿真结果表明,所提出的方法比传统的图像纹理特征提取方法精度更高,并且提高了图像检索系统中的检索精度.     

基于粗糙集和支持向量机的肿瘤图像识别

设计了一种基于粗糙集与支持向量基的乳腺肿瘤图像识别方法.其基本思想是首先对图片进行降噪预处理,接着提取纹理和形状特征构成表征医学图像的特征矢量,然后将特征离散归一化处理,再用粗集方法进行特征属性约简,最后利用支持向量基进行识别.结果表明,该方法取得了比较理想的识别效果.     

基于桥梁裂缝识别模型的桥梁裂缝病害识别方法

为实现高效、轻量化、无接触的桥梁裂缝病害识别,提出了一种基于桥梁裂缝识别模型（Bridge crack extraction model,BCEM）的桥梁裂缝识别网络。该网络将深度学习与传统图像处理方法相结合,首先,预处理裂缝图像,增强裂缝信息表达;之后,采用滑窗法将裂缝切分为面元图像,针对面元图像特性,采用改进的BC-MobileNet轻量化模型对裂缝面元进行分类;最后,识别误检与漏检面元,实现桥梁裂缝准确识别。通过与目标检测、模式识别等不同裂缝识别方式进行比较,结果表明：BCEM在各项实验指标上均有提升,证明了本文提出识别网络对桥梁裂缝识别的有效性。     

CIE-Lab空间的彩色图像混合去噪

针对彩色图像中的混合噪声提出一种CIE-Lab颜色空间的混合去噪算法。双边滤波对高斯噪声具有不错的抑制效果,然而其固有不足是不能处理脉冲噪声,文章采取逆向思维方法将这种不足用于彩色图像脉冲噪声的识别,并仅对识别出的脉冲噪声点在CIE-Lab空间采用概率密度极值滤波方法进行滤除,对剩余高斯噪声仍利用双边滤波算法处理。文中算法采用双边滤波这种非线性滤波算法处理高斯噪声同时仅对识别出的脉冲噪声点进行概率密度极值滤波,因此该算法具有保留图像边缘特征的特性。最后仿真实验表明,CIE-Lab空间的混合滤波算法能够有效滤除高斯噪声和脉冲噪声,相比其他彩色图像噪声处理方法,该方法更为优越。     

基于图像补偿的隧道衬砌裂缝检测方法

针对检测平台振动导致隧道衬砌裂缝图像识别准确率低、检测数据可靠性差的问题,提出基于图像补偿的隧道衬砌裂缝检测方法.开发车载式隧道衬砌裂缝检测系统,提出图像帧间自适应运动估计的方法. 对采用环境光增强处理得到的图像进行基于特征点匹配的自适应运动估计,建立图像帧间的运动关系,用卡尔曼滤波算法对运动参数进行滤波,去除采集平台的无规则振动,经过双三次插值实现图像补偿. 提出基于自适应分块综合滤波和形态学方法的衬砌图像裂缝分割方法,有效地完成裂缝提取和裂缝参数计算. 实验结果表明,利用提出的方法能够较好地补偿采集平台的振动误差,准确地提取裂缝信息,实现隧道衬砌裂缝的高精度检测.     

云环境中考虑隐私保护的人脸图像识别

针对目前使用计算机进行人脸识别往往效率较差,且未考虑到隐私保护等问题,提出一种新的云环境中考虑隐私保护的人脸图像识别方法.对人脸图像进行简化处理以保护主要信息,并建立人脸图像主成分分析(PCA)数学模型,采用局部二值模式(LBP)方法获取人脸图像纹理特征,采用保局投影(LPP)方法选择人脸特征,并选取最常见的分数法对选择后的特征进行稳定性度量,引入深度网络法进行人脸图像的识别.结果表明,所提出的改进方法在保证人员隐私的基础上,具有较高的识别精度与识别效率.     

基于LabVIEW IMAQ的移动车辆牌照识别

车牌识别是指通过图像处理、模式识别和统计分析等方法从实时车辆图像中提取车牌字符信息,从而确定车辆身份的技术。通过对车牌识别中的图像采集与处理、车牌定位、字符分割和字符识别这4个核心技术的研究,在LabVIEW平台上,利用IMAQ强大的图像处理功能,对USB摄像机获得的实现车牌图像进行格式转换,灰度变换以及二值变换等预处理,将边缘提取与图像投影两种方法相结合精确定位车牌,最后根据特征匹配的方法识别出车牌字符信息。结果表明,基于IMAQ程序可以很好的对车牌图像进行处理,并在平均时间为3s左右情况下完成对车牌字符的识别。     

基于群稀疏约束的语音识别特征混合判别分析

为了克服因数据不足,而造成较难提取稳定的长时特征的问题,提出了一种基于群稀疏约束的混合判别分析方法。该方法首先采用高斯混合模型描述数据的分布,在此基础上利用二次变分的形式进行群稀疏的表示,得到基于群稀疏约束的混合判别分析目标函数。接着,通过定义模糊响应矩阵（blurred response matrix）,有效地结合最优化得分方法求解判别分析变换矩阵。最后,拼接相邻帧梅尔滤波器组输出组成超矢量,采用变换矩阵进行变换降维,提取时频特征。实验结果表明,本文方法能够得到稀疏的变换矩阵,相比于PLDA(Penalized LDA)和SLDA（Sparse LDA）判别分析方法,识别准确率分别提高了0.71%和1.53%,且在数据不足的条件下,本文方法能获得更高的识别性能。     

基于图像块先验的低秩近似和维纳滤波的去噪算法

利用混合高斯模型(gaussian mixture model, GMM)学习自然图像块的纹理结构,提出一种基于图像块先验的低秩近似和维纳滤波的去噪算法。该算法能够同时利用外部图像块的先验结构信息和内部图像的自相似性,对待去噪图像进行分块聚类,并根据每类相似块的数量进行协同滤波。当相似图像块数量较多时,采用低秩近似的方法复原,有效利用图像的内部自相似性;当相似图像块数量较少时,采用维纳滤波,利用先验信息保持图像重要的纹理结构。试验结果表明此方法较适用于弧形边界和角点等存在较少相似块的自然图像,其峰值信噪比(peak signal to noise ratio, PSNR)和视觉效果优于目前部分主流算法。     

齿轮裂纹程度识别的有序分类算法

为识别齿轮裂纹的严重程度信息,提出一种基于有序分类的故障严重程度识别方法.将故障严重程度识别问题视为不同严重程度之间存在序结构,并且部分特征和故障严重程度之间存在单调依赖关系的有序分类问题,从有序分类出发,建立有序分类的故障严重程度识别模型.研究故障严重程度识别中的特征评价和特征选择问题,利用排序互信息指标区分原始特征集中的单调特征和非单调特征,提出单调特征和非单调特征混合存在情况下的有序分类特征选择算法.齿轮裂纹程度识别实验结果表明:提出的有序分类特征选择算法可以降低特征空间维数,能选择出分类能力强的故障特征子集,提高了故障严重程度识别的准确性.     

多传感器信息融合在药材分类系统中的应用

本文针对传统药材分类技术中存在的速度慢、效率低、易受人为因素影响等缺陷,设计出一个基于多传感器信息融合的药材分类系统,完成药材成品的分类和评级。该系统利用图像传感器、气体传感器、味道传感器对药材特征进行量化,提取高维特征向量,通过支持向量机(SVM)训练学习,建立特征数据库,实现对药材的分类和评级。该药材分类系统集图像采集、特征提取、特征分析、模型训练和药材分类等功能于一体,实验结果表明,系统能够区分不同类别的药材,并能对同一类药材进行等级的确定。     

基于航拍图像与改进U-Net的建筑外墙裂缝检测方法

针对建筑外墙裂缝人工检测方法检测效率低、检测效果和安全性差的问题,提出基于航拍图像与计算机视觉的裂缝检测方法。使用无人机绕建筑物航拍采集裂缝图像,并构建裂缝数据集;优化U-Net模型以解决细长裂缝分割不连续、复杂背景下裂缝漏检及背景误检的问题。将模型编码网络替换为预训练的ResNet50以提升模型特征表达能力;添加改进的多孔空间金字塔池化（Atrous Spatial Pyramid Pooling,ASPP）模块,获取多尺度上下文信息;采用改进的损失函数处理裂缝图像正负样本分布极度不均的问题。结果表明：改进的U-Net模型解决了原模型存在的问题,IoU指标和F1＿score分别提升了3.53%、4.18%;与经典分割模型相比,改进模型的裂缝分割性能最优。与人工检测方法相比,所提方法可以安全、高效且准确地进行建筑外墙裂缝检测。     

一种基于视频识别的钱塘江涌潮检测方法

该文介绍了实际应用场景中对钱塘江涌潮的检测方法,通过建立混合高斯模型来构建基于视频识别的涌潮背景模型,然后再利用所得的背景图像与当前视频帧进行相减,得到钱塘江潮水的前景图像,经过平滑去噪处理后,检测出涌潮信息.