基于Jacobi方法的Hermitian矩阵特征分解算法

对一个Hermitian矩阵进行特征分解,通常都是把矩阵转化为实对称矩阵,这样运算量比较大。为了解决运算量的问题,提出基于Jacobi方法的Hermitian矩阵特征分解算法,该算法减少了运算量,能满足实际中的实时性要求。     

一种新的基于分类的音频流分割方法

很多传统的音频流分割方法都是基于小尺度音频分类的,它们普遍存在虚假分割点过多的缺点,严重影响了实际应用的效果.我们的研究表明,大尺度音频片段的分类正确率明显高于小尺度音频片段的分类正确率.基于这个事实和减少虚假分割点的目的,我们提出了一种新的基于分类的音频流分割方法.首先,采用基于大尺度分类的分割方法对音频流进行粗分割,然后采用基于小尺度分类的细分割步骤在边界区域中进一步精确定位分割点.理论分析和实验结果均表明,当处理类别变换频率较低的音频流时,这种分割方法在保持真实分割点检测率的同时能够大幅降低虚假分割率.     

隔点差分自适应阈值红外图像分割算法的FPGA实现

采用模块化设计和利用现场可编程逻辑( FPGA)并行流水处理特点,设计并实现了隔 点差分自适应阈值红外图像分割算法,算法由隔点差分算法和自适应阈值两个模块组成。隔点差分算法模块根据同步与时钟流水计算隔点梯度,用自适应阈值进行图像分割; 自适应阈值模块根据背景的统计规律和图像背景的变化实时调整分割阈值。仿真和实验表明:采用FPGA实现此算法的处理延时短,满足实时处理的要求。     

采用局部动态阈值的图像分割算法

针对图像全局Otsu分割算法和传统的局部闻值分割算法在复杂背景图像分割中的不足,提出了一种采用局部动态阈值的图像分割算法.首先通过分析图像直方图类型对图像进行划分,并使用Otsu算法确定各个子图像的阈值.然后对阈值矩阵进行平滑和插值处理,使之成为和原图像像素数目相等的新阈值矩阵.最终利用此阈值矩阵完成图像分割.实验结果...     

一种柔性自适应SAR 图像目标分割算法

合成孔径雷达(SAR)图像分割是SAR 图像处理的基础,国内外研究者提出了很多行之有效的分割方法。典型的算法如基于单阈值形态学分割算法、基于马尔科夫随机场的分割算法等。然而,考虑实际需求,图像分割需要同时兼顾快速性和准确性,这是当前手段相对缺乏的。文中提出了一种柔性自适应SAR 图像目标分割算法,将峰值点的提取过程与恒虚警率检测算法相结合分割SAR 图像中的目标。该算法可以将散射中心信息融入到目标分割中,同时完成目标分割和峰值点提取,是一种快速而又精确的图像分割算法。最后,该文基于数据集对算法进行了验证,证实了该算法的合理性与可行性。     

PIC24单片机在轧机液压缸行程检测上的应用

介绍了一种代替传统轧机液压缸行程测量的新方法,并以一款PIC24单片芯片为例,配合涡街流量计,详细描述了系统的工作原理、主要特点和软硬件设计,总结了现场实际使用情况。     

基于PDE的快速自适应图像分割算法

在水平集理论和Chan-Vese模型的基础上,详细分析了水平集函数的初始位置和分割速度的关系,指出如果初始位置不好,将会影响曲线的演化速度。针对该问题提出了利用阈值分割技术对水平集函数进行初始化,通过优化水平集函数的初始位置来加快Chan-Vese模型的演化速度。实验结果表明,本文所提出的方法不受初始轮廓位置的限制,具有鲁棒性,分割效果良好,有很好的实际意义。     

基于分割评价的多层次自适应双阈值分割算法

 论文通过分析最大信息熵双阈值分割算法原理,根据先验知识,设置目标出现最小最大频度条件,改变自适应双阈值计算条件,加快计算速度.同时通过计算分割后各个目标相关特征,利用BP神经网络技术对每个目标进行评价,根据评价结果修改原输入图像相应目标区域,并引入多层次迭代机制,实现了图像的多层次综合分割.实验结果表明,基于分割评价的多层次自适应双阈值分割算法提高了算法的通用性和分割的精确性,但是算法复杂性增加.     

复杂环境下的自适应红外目标分割算法

针对现有图像分割算法存在分割效果不佳及耗时长等缺点,提出了一种二维Otsu法红外目标阈值分割算法.根据局部邻域熵引入图像背景因子来对图像进行预分类,并采用最佳阈值与类内与类间方差的归一化处理对图像进行图像分类;最终通过约束阈值的搜索范围,来提高算法的准确性与稳定性.实验结果表明,该方法能够对不同类型的图像进行有效的图像分割同时保持较高的编码效率,与其他算法比较,该算法的图像分割效果及消耗时间具有一定的优势.     

基于自适应区域限制FCM的图像分割方法

提出一种基于自适应区域限制FCM（Fuzzy C-Means）的彩色图像分割方法,结合隐马尔科夫模型,把超像素具有区域一致性作为先验知识自适应融入到聚类过程中,以提升聚类性能.算法首先生成图像的超像素,计算像素对该超像素的贡献度,以此计算该超像素的区域隶属度函数;然后根据像素所属超像素是否具有主标签,选择像素级隶属度函数或区域级隶属度函数计算该像素的点对先验概率,以加强分割结果的区域一致性;其中,使用区域隶属度函数将引导聚类优化的方向,因此在迭代过程中去除未被使用的标签;最后迭代终止获得图像的分割结果.实验结果表明,相对于比较算法,本文算法的分割性能有显著提升.     

基于克隆选择和多重空间构造的彩色图像分割

该文提出一种基于克隆选择和多重空间构造的彩色图像分割方法。该方法首先将一些常见的颜色分量分为亮度成分、单频光谱成分、双频光谱成分、多频光谱成分,利用主分量分析技术(PCA)分别对其进行计算,得到最具有识别能力的颜色分量来构造多重颜色空间;然后利用克隆选择算法对样本进行自学习,得到全局最优的聚类中心;最后用得到的聚类中心对图像进行分割。由于该文的方法结合了克隆选择算法的非线性分类能力,通过对彩色图像自适应的构造最佳多重空间,能够快速准确地得到分割结果,克服了传统分割方法使用固定颜色空间以及容易陷入局部最优的缺点。通过实验表明,该方法对彩色图像同质区的分割均匀,边缘保持度好。此外,新方法对彩色图像的亮度和纹理变化不敏感,鲁棒性较强。     

一种基于小波的图像模糊熵阈值分割算法

提出了一种新的有效的图像阈值分割算法.本算法将小波理论,模糊集理论和信息论三者有机的结合起来.算法采用目标类与背景类最大模糊熵准则,并针对现有的模糊熵分割算法中存在的阈值选取计算效率低的缺陷,重新定义了新的模糊隶属度函数与模糊熵,并且根据小波理论的多尺度分辨的思想,对该算法进行了优化,提高了阈值选取的寻优速度.通过与各种经典算法比较,证实该文算法的可行性,具有很好的鲁棒性.     

一种自适应分裂与合并的运动目标聚类分割算法

针对智能监控系统中多个运动目标进行图像分割这一问题,该文提出一种自适应分裂与合并的多运动目标聚类分割算法。该算法首先利用视频图像的时域信息,通过样本方差进行背景建模,分割出包含多个运动目标的前景图像。然后定义了像素点的空间连通率,并设计一种利用中垂线分割法,对初始聚类进行自适应分裂与合并。在无需事先设定聚类分割数目的条件下,自组织迭代聚类算法能完成多运动目标的分割。实验结果证明该算法对多运动目标分割效果好,分割结果与人眼视觉的判断一致。利用空间连通信息使得算法迭代收敛速度快,具有良好的实时性。     

一种距离选通图像分割的新算法(英文)

介绍了一种图像分割算法,用于受到距离选通激光夜视技术带来的回波展宽效应影响的图像。该算法利用有效信息区边缘线的平均灰度信息实现对分割图像阈值的选取以分割图像。选取该阈值后,算法利用空间信息实现对噪点的判断以除去噪声。该算法可以准确分割出有效信息区边缘,采用很少的形态学操作,保证了图像的还原质量。实验证明该算法可以准确地分割边缘模糊的距离选通激光夜视图像,对噪声等具有较强的稳健性。     

基于邻接矩阵的自适应图像分割算法研究

基于聚类的图像分割算法是其中常见的一种,传统聚类算法需人为确定初始聚类中心和类别数,针对如何确定最优聚类类别数的问题,基于邻接矩阵提出一种自适应图像分割算法,该算法克服了传统聚类算法人为确定初始聚类中心和聚类类别数而导致局部最优的缺陷。利用实验数据将算法和传统聚类算法比较,并应用于图像分割。实验结果显示,算法稳定性较好,能自适应的得到准确地聚类类别数,且鲁棒性较强,在应用于图像分割时的聚类结果相对与传统聚类算法更加准确。     

基于自适应EM算法的光学图像海域分割

提出了一种针对光学遥感图像海域分割的自适应期望最大算法(Expectation Maximization,EM)。传统EM算法需要给出高斯混合模型的个数,文中所做的改进使其具有自适应确定高斯模型个数的能力,由此可以降低由于个数选择的不合理带来的错误分割的风险。将该方法应用低分辨率复杂背景遥感图像的海域分割,取得了较理想结果。     

一种新的车牌图像字符分割与识别算法

提出了一种新的字符分割算法,该算法利用由中间向两端搜索的方法确定字符的上下边界,且利用一维循环清零法及先验知识垂直分割得到单个的字符。实验结果表明,该算法较好的解决了以上问题,适用于各种质量的车牌图像,分割的正确率较高。     

一种快速有效的交互式医学序列图像分割方法

提出了一种结合Live-Wire算法、种子填充以及轮廓插值的序列医学图像分割算法。该方法首先将病灶组织形状变化较大的断层图像作为关键层,然后综合应用Live-Wire算法和种子填充对关键层中病灶区域进行分割,最后利用轮廓插值技术对中间的过渡图像进行自动分割。实验表明这种算法能快速有效地从序列医学图像中分割出感兴趣的物体。     

基于深度卷积神经网络的场景自适应道路分割算法

现有基于机器学习的道路分割方法存在当训练样本和目标场景样本分布不匹配时检测效果下降显著的缺陷。针对该问题,该文提出一种基于深度卷积网络和自编码器的场景自适应道路分割算法。首先,采用较为经典的基于慢特征分析(SFA)和GentleBoost的方法,实现了带标签置信度样本的在线选取;其次,利用深度卷积神经网络(DCNN)深度结构的特征自动抽取能力,辅以特征自编码器对源-目标场景下特征相似度度量,提出了一种采用复合深度结构的场景自适应分类器模型并设计了训练方法。在KITTI测试库的测试结果表明,所提算法较现有非场景自适应道路分割算法具有较大的优越性,在检测率上平均提升约4.5%。