广义核或混合核FLICM畜肉图像分割方法

针对传统核模糊C均值聚类(Kernel Fuzzy C-Means,KFCM)畜肉图像分割方法对噪声适应能力不强的问题,提出基于广义核函数或混合核函数的模糊局部信息C均值聚类(Fuzzy Local Information C-Means,FLICM)畜肉图像分割方法(KFLICM_UG方法和KFLICM_MG方法)。首先利用广义核函数或混合核函数可以有效兼顾学习能力和泛化能力的优势,将图像的每一个像素映射到高维的特征空间,扩大像素有用特征的类间差异,使像素在高维特征空间中拥有更优的线性可聚性;然后结合像素的局部空间和灰度信息,确定其模糊隶属度,在高维的特征空间中依据图像特征对像素进行模糊局部信息C均值聚类,最终实现畜肉图像的分割。大量的实验结果表明,相比现有的模糊C均值(Fuzzy C-Means,FCM)分割方法、KFCM分割方法和FLICM分割方法,本文提出的KFLICM_UG方法和KFLICM_MG方法可以获得更好的分割效果,更低的分割错误率,且具有更强的噪声适应能力和鲁棒性。     

基于不变矩和改进SVM的牛肉大理石纹评级

针对牛肉大理石纹人工评级过程中人为误差干扰大的问题,研究利用图像处理技术提高牛肉大理石纹评级的客观性并增强自动化程度,提出基于不变矩、灰度共生矩阵和混沌蜂群优化混合核函数支持向量机(Support Vector Machine,SVM)的牛肉大理石纹评级法。首先计算牛肉大理石纹图像的不变矩和灰度共生矩阵统计量并由此构造特征向量;然后将训练和测试样本输入到混合核函数SVM,采用混沌蜂群算法优化SVM中的惩罚因子及核参数,使其分类识别性能达到最优;最后输入待评级样本进行分类识别,得到最优评级结果。大量实验结果表明:根据我国NY/T676-2010牛肉大理石纹标准图谱,评级正确率分别达到100%(一级)、93.3%(二级)、93.3%(三级)、96.7%(四级)、100%(五级)。与基于灰度矩和SVM法、基于灰度共生矩阵和BP(Back Propagation)神经网络法相比,本文所得评级正确率最高,且与专业评级师的实际评级情况最相符。     

基于扩展Shearlet变换、Krawtchouk矩和SVM的储粮害虫分类

为了进一步提高储粮害虫的识别精度,以便更有效地防治储粮害虫,提出了一种基于纹理和形状综合特征及全局混沌蜂群优化支持向量机(SVM)的储粮害虫分类方法。首先对储粮害虫图像进行扩展Shearlet变换,利用变换系数得到能量分布均值,加权后的能量分布均值构成纹理特征向量,用Krwtchouk矩不变量描述储粮害虫的形状特征;然后将纹理特征向量和形状特征向量分别归一化,两者结合构成储粮害虫的综合特征向量;最后用全局混沌蜂群算法优化SVM的核参数与惩罚因子,并应用参数优化的SVM进行分类。结果表明:与基于Gabor小波和支持向量机方法、基于Krawtchouk不变矩和支持向量机方法相比,本方法提取的储粮害虫特征信息更加完整,识别率更高。     

基于引导核聚类的非局部均值图像去噪算法

为改善非局部均值(NLM)算法对不规则纹理图像的去噪效果,提出了一种基于引导核聚类和自适应搜索窗的NLM图像去噪算法。首先使用基于引导核的模糊C均值(FCM)聚类算法对相似窗进行预筛选,划分其类别;然后根据相似窗的类别计算每个像素点对应的搜索窗大小,保证相似性较高的相似窗数量;最后分别对每一类进行自适应搜索窗的NLM图像去噪。实验结果表明:与基于Zernike矩、基于主邻域字典(PND)、基于均值方差预筛选等3种NLM改进算法相比,该NLM改进算法对强噪声污染或不规则纹理的图像,其去噪效果更为有效,并更好地保持了图像的纹理、边缘,在峰值信噪比(PSNR)和结构相似性测度(SSIM)等客观定量评价指标上优于其他NLM改进算法。     

基于混沌PSO或分解的二维最小误差阈值分割

为了进一步提升现有的二维最小误差阈值分割快速递推算法的运行速度,提出分别基于混沌粒子群优化（PSO）和分解的2种二维最小误差阈值分割算法.第 1种算法利用混沌粒子群优化算法搜寻二维最小误差法的最佳分割阈值,且在迭代过程的适应度函数计算中引入递推算法,大大减少了冗余计算;第2种算法将二维最小误差法的运算分解成一维最小误差法和一维最小类内对数方差法的运算,计算复杂度由二维递推算法的O(L2) 进一步降为O(L).实验结果表明,提出的2种算法能够在分割效果达到或优于现有的二维最小误差阈值分割法的同时,大大加快运行速度.     

基于深度学习的输电线路视觉检测方法研究进展

输电线路巡检是电网持续稳定供电的保障,其目的是对电力线、绝缘子、电力杆塔、防振锤等线路设备进行状态检测和故障诊断,同时观测电力线周围潜在隐患。深度学习的发展为输电线路巡检提供了有效手段,与传统目标检测方法相比,深度学习方法能更有效地实现航拍图像中电力设备的识别及缺陷检测。该文综述近十年来基于深度学习的输电线路视觉检测方法的研究进展。首先,概述适用于输电线路巡检的深度卷积神经网络,包括分类网络、检测网络、语义分割网络,考虑到开发的深度学习网络模型便于在移动设备上应用,另外阐述轻量化网络;然后,重点阐述基于深度卷积神经网络的输电线路巡检图像数据目标检测;随后介绍7个电力设备数据集以及性能评价指标;最后,指出基于深度学习的输电线路巡检图像数据视觉检测方法目前存在的问题,并对进一步的工作进行展望。     

基于混沌粒子群优化的Contourlet域红外图像自适应增强

为进一步增强红外图像的对比度、提高清晰度并抑制噪声,提出了一种基于混沌粒子群优化(PSO)的Contourlet域红外图像自适应增强方法。首先对红外图像进行Contourlet变换,调整低通图像和细节图像在原始图像中的比例,并经灰度线性拉伸增强图像对比度;然后通过非线性增益函数调整含噪带通方向子带系数;利用兼顾对比度、清晰度和信噪比3个指标的定量综合评价函数作为混沌PSO的适应度,寻找基于Contourlet的空间域增强和带通方向子带系数调整的非线性增益函数所涉及的最优参数。大量实验结果表明:与近年提出的4种图像增强方法相比,该方法能使红外图像的对比度和清晰度提高,噪声降低,整体视觉效果更佳。     

基于二维Renyi交叉熵的刀具磨损图像分割

为了快速准确地完成刀具磨损检测系统中刀具磨损图像的分割,提出了分解的二维Renyi交叉熵刀具磨损图像阈值分割方法。首先引入Renyi交叉熵的定义,给出一维Renyi交叉熵阈值选取公式。然后推导出二维Renyi交叉熵阈值选取公式,并采用快速递推公式来降低阈值选取准则函数的计算复杂度。最后提出了二维Renyi交叉熵的分解算法,将二维Renyi交叉熵的运算转化为两个一维Renyi交叉熵的运算,使算法的运算量从O(L4)降为O(L)。针对不同类型的刀具磨损图像的实验表明,所提出的方法与基于粒子群优化的二维最大Shannon交叉熵法、基于粒子群优化的二维Renyi熵法、二维最小Tsallis交叉熵法相比,在分割效果和运行速度上均具有很大优势。     

基于NSCT和Tsallis熵的SAR图像快速分割方法

针对小波域SAR图像分割结果粗糙及运算速度低的不足,本文提出一种基于非下采样Contourlet变换(NSCT)和混沌粒子群优化(CPSO)的最大Tsallis熵的SAR图像快速分割方法。首先,利用NSCT提取SAR图像的概貌和细节信息,并建立相应的概貌-细节灰度级矩阵模型;然后,利用Tent映射CPSO算法搜索最优阈值,并提出递推算法大大减少迭代过程中适应度函数的重复计算。实验结果表明,与小波域SAR图像快速分割方法相比,该方法采用了具有多方向性和移不变性的NSCT分解图像,信息提取更为有效,分割结果更佳;同时由于引入混沌序列并以递推方式计算粒子适应度,粒子群搜索的收敛精度更高,运算时间更少。      

基于LWT和递归最小类内绝对差的红外小目标检测

针对存在背景干扰和噪声情况下的红外弱小目标检测问题,提出一种基于提升小波变换(LWT)和递归最小类内绝对差的检测方法.一方面先利用提升小波对原始图像进行去噪,再利用Top-hat算子抑制背景;另一方面先利用Top-hat算子抑制原始图像的背景,经提升小波去噪后,再进一步使用Top-hat算子;上述两方面得到的图像求和即为预处理图像.然后采用递归最小类内绝对差阈值选取方法分割预处理图像.针对红外小目标图像进行了大量实验,并与基于形态滤波及基于小波和形态学的红外小目标检测方法进行了比较.结果表明本文方法提高了信噪比,检测率分别提高15%和10%.