Parzen窗算法下图像视觉显著目标识别仿真

受光照、尺度、噪声等影响,图像目标在识别结果会存在一定的偏差,为此提出基于Parzen算法的图像视觉显著目标识别算法。对图像的超像素实施分割处理,并将图像内超像素块作为图像结构顶点,基于Parzen窗算法对顶点密度计算后,结合K-means算法实现图像分割处理;依据分割结果采用马尔科夫确定图像显著区域,通过对图像视觉显著区域特征的提取,将其作为特征向量输入到PSO-SVM模型中训练,实现图像视觉显著目标识别。实验结果表明,通过对上述方法开展图像分割、目标识别和识别耗时测试,验证了所提方法的可行性。     

光学遥感图像舰船目标检测与识别综述

遥感图像舰船目标自动检测与识别是遥感图像处理与分析领域备受关注的课题, 其核心任务是判断遥感图像中是否存在舰船目标,并对其进行检测、分类与精确定位, 它在海面交通监控、船只搜救、渔业管理和海域态势感知等领域具有广阔的应用前景. 本文主要围绕光学卫星遥感图像中的舰船目标自动检测与识别, 分析舰船目标检测与识别面临的难点问题, 综述当前光学遥感图像舰船检测与识别的主要处理方法, 在此基础上指出研究中尚存在的问题并展望未来的发展趋势.     

基于一种新的目标识别的边缘爬行算法

针对机器人目标识别的实时性、快速性和鲁棒性特点,依据物体边缘大部分区域的方向缓变原理,提出了一种基于记忆的边缘爬行改进算法.爬行搜索方法的一个明显缺点是"爬虫"容易掉进"陷阱",即围绕某个局部小区域重复爬行.记忆搜索方法则有效克服了爬行搜索方法容易掉进"局部陷阱"的不足.在边缘爬行的同时,通过标号将颜色相近的不同物体分割出来.实验结果表明,与传统方法比较,该方法的边缘线更加完整、清晰,而且缩短了处理图像的时间,使目标识别的实时性和鲁棒性得到了优化.     

基于声呐图像的水下目标检测、识别与跟踪研究综述

水下目标检测、识别和跟踪是具有重要意义的热点研究问题,在军事和民用领域都有重要的应用.鉴于此,对基于声呐图像的水下目标检测、识别和跟踪原理、方法以及典型算法的研究进展进行全面阐述.首先论述基于声呐图像的水下目标检测、图像去噪、图像分割等方面的主要进展以及典型算法和算法扩展;然后对水下目标声呐图像识别中的特征提取、特征分类方法和主要技术难点进行讨论;最后阐述基于水声信号处理和声呐图像信息的水下目标跟踪方法和算法.通过对水下目标处理过程各个过程的深入讨论和对比分析,指出基于声呐图像的水下目标检测、识别和跟踪中急需解决的关键科学问题及可能的解决思路,并对该领域的未来发展方向做进一步的展望.     

基于切片图像的三维声纳目标识别

研究了为水下机器人声视觉设计的一套三维成像声纳系统的目标识别方法,该声纳可以在一次发射中获取一系列二维切片图像。根据面阵水平、垂直分辨率的不同和图像中目标的切片数量,结合水声环境对水下成像的影响,分析了几种不同目标切片图像的特点,提出一种以直方图中目标能量为特征的识别方法,该方法在算法实现上避免了三维重建的步骤,使识别速度显著提高,在对水池数据和海试数据的分类识别试验中证明其能有效地识别水下目标。     

图像目标检测识别和跟踪仿真研究

研究图像检测优化问题,在传统的图像目标跟踪中始终选用起始帧作为目标模板,没有根据实际情况实时更新目标模板,容易导致目标跟踪识别错误.针对图像目标识别跟踪缺乏全自动智能跟踪的难点问题,提出了在一定变化条件下运动图像目标的全自动识别跟踪方法.首先,在目标检测中为了提高实时性,采用了一种特殊形式的帧间差分算法对目标进行检测;其次,为有效抑制噪声和增强图像目标,在确定目标模板的过程中加入了图像形态学算法;最后,利用改进的均值漂移算法,根据巴氏系数相对量的变化情况实时更换目标模板,实现对目标全自动跟踪.经过仿真表明,利用改进的图像处理方法实现了在外部干扰条件下目标的自动检测识别和跟踪,并具备对图像目标的全自动跟踪能力,速度较快,为图像目标检测系统的设计提供了依据.     

视频图像中的车型识别

文章介绍一种在固定单摄像头拍摄交通图像序列中检测车辆的方法。处理过程大致分为以下三步:重建不含运动目标的自然背景及图像分割;摄像机标定;目标区域的跟踪和车型识别。实验证明方法是可行的。     

自动门限技术在靶纸图像目标分割中的应用

在图像自动报靶系统中，需要自动快速地进行靶纸图像中目标区域的分割，选取合适的自动门限分割方法是其关键。文中在分析靶纸图像特点的基础上，对目前两种性能较优的自动门限技术：类别方差自动门限法和矩不变自动门限法进行了介绍，并对两者的获取最佳门限值进行了比较。试验结果表明，类别方差自动门限法获取的门限值普遍偏大，文中简要分析了其不可避免的原因；而矩不变自动门限法由于根据的是图像自身的特征，获取的最佳门限值比较合适，更适用于靶纸图像中目标分割，且具有运算速度快的优点。     

基于USB和目标识别的图像采集系统的设计实现

介绍了一种有目标识别功能的图像采集系统,用USB接口芯片实现了数据的传输。阐述了系统的硬件、固件、设备驱动程序和应用软件的设计与实现方法。详细介绍了目标识别算法。     

邮政编码数字识别系统的设计与实现

文章介绍用于邮政编码数字识别的高速实时图象处理系统的研制。系统以ＰＣ为核心,采用并行处理方式,实践表明具有性能价格比高和易于扩充升级等优点,满足了实际使用的要求。     

车牌识别系统的设计与实现

汽车牌照自动识别系统是制约道路交通智能化的重要因素,包括车牌定位、字符分割和字符识别三个主要部分。本文首先确定车辆牌照在原始图像中的水平位置和垂直位置,从而定位车辆牌照,然后采用局部投影进行字符分割。在字符识别部分,提出了在无特征提取情况下基于支持向量机的车牌字符识别方法。实验结果表明,本文提出的方法具有良好的识别性能。     

基于遗传算法和梯度算子的图象边缘检测

图象边缘检测是计算机图象处理的最基本步骤之一。由于噪声的干扰和图象光照不均匀等因素的影响,目前的图象边缘检则方法还不能有效地检测出各种不同模式的边缘。在分析了几种常用边缘检测方法及其存在的检测精度不高,抗噪声性能较差等不足基础上,给出了一种基于遗传算法和梯度算子的图象边缘检测算法,该算法明显提高了检测精度和抗噪声能力。     

一种基于几何特征参数的圆检测方法

提出了一种利用一组几何特征参数对图像中的圆形进行检测的方法。对提取出的边缘进行多边形拟合,并对拟合后的多边形进行归一化处理,提取平移、旋转和尺度变换不变性的几何特征,计算相应的几何特征参数,将几何特征参数满足一定条件的形状识别为圆形。描述了该方法的具体步骤,并与随机Hough变换进行了对比实验。对合成图像和真实图像进行的实验结果表明,该方法具有较高的效率和实用性。     

一种基于边缘生长的灰度和彩色图象分割方法

边缘检测可以快速准确地提供区域分割的边缘点,是图象处理的一个重要领域。但由于边缘点不连续和难以把存在大量碎边缘点的高细节区提取出来这两个原因,而不能直接实现完整意义上的图象分割。为此提出用边缘生长的方法来解决不连续的边缘点链接问题和通过找出高细节区周围的区域,以便间接地将高细节区围成一个区域。该算法是边缘检测的后续处理,适合于多种应用目的,同时还可以嵌入到其它利用边缘信息的分割算法中。     

公路不停车收费系统中的车辆识别

利用彩色加权相关相似函数的模块匹配方法，借助于车辆颜色、车型的辅助性判断，在公路不停车收费系统中对于各种情况能够较准确的识别车辆。     

经典边缘检测的快速算法

边缘检测是图像处理的重要步骤，在许多实际应用中检测速度是至关重要的。本文在分析传统经典边缘检测算子内在结构的基础上，提出了一种有效的快速算法，实验表明随着图像尺寸的增大，该算法可比经典计算方法快10倍以上。     

基于显著性轮廓的苹果目标识别方法

正确地将苹果从图像中识别出来是苹果采摘机器人实现自动采摘的前提,为了完整地提取苹果目标轮廓,提高识别率,提出一种基于显著性轮廓的苹果目标识别方法。首先利用K-means无监督聚类算法对苹果图像进行分割,将图像分为背景和苹果目标区域;由于光照等因素,苹果目标区域内部存在大面积空洞,引入ASIFT特征,将完整的苹果目标与存在空洞的苹果目标进行ASIFT特征匹配记录与空洞相对应的特征,由这些特征恢复成像素填补空洞,初步得到轮廓不完整的分割目标;然后在基于区域的基础上,采用gPb轮廓检测器对苹果目标图像进行轮廓检测生成较长、较明显的灰度轮廓;继而利用动态阈值OTSU法对灰度轮廓进行自动阈值处理,去除苹果目标周围大量的边缘噪声,确定连续的显著性轮廓,有效地弥补了K-means算法无法精确提取轮廓的缺陷,最终实现完整地提取苹果目标。本文方法取得的平均目标识别率在98%以上,多组实验结果均验证了本文方法的有效性和可靠性。     

3D Edge Detection by Selection of Level Surface Patches

We propose a new edge detector for 3D gray-scale images, extending the 2D edge detector of Desolneux et al. (J. Math. Imaging Vis. 14(3):271–284, 2001). While the edges of a planar image are pieces of curve, the edges of a volumetric image are pieces of surface, which are more delicate to manage. The proposed edge detector works by selecting those pieces of level surface which are well-contrasted according to a statistical test, called Helmholtz principle. As it is infeasible to treat all the possible pieces of each level surface, we restrict the search to the regions that result of optimizing the Mumford-Shah functional of the gradient over the surface, throughout all scales. We assert that this selection device results in a good edge detector for a wide class of images, including several types of medical images from X-ray computed tomography and magnetic resonance.