基于递推算法的Krawthcouk矩的局部图像重建

图像局部特征提取在图像处理领域中有着重要的应用,Zernike等其他正交矩,一般用来表达图像的整体特征;而Krawtchouk矩则可以用来表达图像的局部特征。本文在Krawtchouk不变矩定义的基础上,讨论了基于递推算法的Krawtchouk不变矩的图像局部重建问题。最后给出了基于上述算法的实验结果。实验结果表明,该算法不仅可以有效地提取图像的局部特征,而且提取特征和图像重建时间与原始算法相比都有显著减少。     

基于复无下采样轮廓波和Gaussian小波支持向量回归的红外目标图像背景抑制

针对存在背景干扰和噪声情况下的红外目标图像背景抑制问题,提出了一种基于复无下采样轮廓波变换（NSCCT）和Gaussian小波支持向量回归（SVR）的背景抑制方法。该方法对红外目标图像进行NSCCT,然后根据其系数的相关特性去噪,从而抑制了大部分背景杂波;采用Gaussian小波SVR对去噪后的红外目标图像进行处理得到预测图像,并用去噪后图像减去预测图像得到残差图像,即背景抑制结果。针对红外目标图像进行了大量实验,并与近年来提出的3种背景预测方法,即基于最小二乘支持向量回归（LS-SVR）、基于SVR及基于最小二乘的红外目标图像背景抑制方法进行了比较,结果表明所提出的方法去噪效果好,背景抑制性能更优。针对存在背景干扰和噪声情况下的红外目标图像背景抑制问题,提出了一种基于复无下采样轮廓波变换（NSCCT）和Gaussian小波支持向量回归（SVR）的背景抑制方法。该方法对红外目标图像进行NSCCT,然后根据其系数的相关特性去噪,从而抑制了大部分背景杂波;采用Gaussian小波SVR对去噪后的红外目标图像进行处理得到预测图像,并用去噪后图像减去预测图像得到残差图像,即背景抑制结果。针对红外目标图像进行了大量实验,并与近年来提出的3种背景预测方法,即基于最小二乘支持向量回归（LS-SVR）、基于SVR及基于最小二乘的红外目标图像背景抑制方法进行了比较,结果表明所提出的方法去噪效果好,背景抑制性能更优。     

An Effective Method of Threshold Selection for Small Object Image

The image segmentation difficulties of small objects which are much smaller than their background often occur in target detection and recognition. The existing threshold segmentation methods almost fail under the circumstances. Thus, a threshold selection method is proposed on the basis of area difference between background and object and intra-class variance. The threshold selection formulae based on one-dimensional (1-D) histogram, two-dimensional (2-D) histogram vertical segmentation and 2-D histogram oblique segmentation are given. A fast recursive algorithm of threshold selection in 2-D histogram oblique segmentation is derived. The segmented images and processing time of the proposed method are given in experiments. It is compared with some fast algorithms, such as Otsu, maximum entropy and Fisher threshold selection methods. The experimental results show that the proposed method can effectively segment the small object images and has better anti-noise property.     

基于复Contourlet域的支持向量机和Krawtchouk矩的双水印算法

为了进一步提高基于支持向量机(SVM)水印算法的 鲁棒性,提出了一种 基于复Contourlet域的SVM和Krawtchouk矩的双水印算法。首先从RGB宿主 图像中提取B 分量和G分量,并且充分利用Krawtchouk矩不变量的平移、旋转、缩放不变性 和Krawtchouk矩良好 的局部重构特性,计算B分量图像的Krawtchouk低阶矩不变量 ,由此构造鲁棒水印;然后对G分量图 像进行两级复Contourlet分解,在其低频分量中,利用SVM建立图像尺度内的 局部相关性训练模型, 并根据预测结果自适应地实现数字水印图像的嵌入和提取。大量实验结果表明,本文算法不 仅具有较好的 不可感知性,而且对中值滤波、加性噪声和JPEG压缩之类的常规图像处理,以及缩放、旋转 和剪切等几 何攻击,均具有较好的鲁棒性能,其性能优于基于小波域的SVM和基于Contourlet域的SVM水 印算法。     

基于Krawtchouk矩和小波变换的数字水印算法

提出了一种基于Krawtchouk矩和小波变换的抵抗几何攻击的内容认证水印算法。该方法首先对图像进行一次小波分解,然后计算其低频成分的Krawtchouk低阶矩不变量来构建水印。水印提取过程简单,只需计算所得图像的几个低阶Krawtchouk矩不变量。文中给出了实验结果,并与Alghoniemy提出的基于几何矩不变量的数字水印算法进行了比较。结果表明,该方法简单、有效,对旋转、缩放、剪切、组合攻击等几何攻击以及JPEG压缩攻击具有更高的稳健性。     

基于改进CV模型的煤矿井下早期火灾图像分割

煤矿井下早期火灾图像中火焰区域、火焰余辉及非火焰高灰度干扰区域三者的灰度值十分接近,利用传统的Chan-Vese(CV)模型很难将火焰区域精确地提取出来。针对这一问题,提出了一种改进的CV模型以实现煤矿井下早期火灾图像的精确分割。在计算目标和背景区域拟合中心时,引入自适应权值进行加权平均,充分考虑了像素点灰度值与拟合中心的差异,并据此确定该点对拟合中心的贡献度,更加精确地计算目标和背景区域的拟合中心;为了加速模型的演化,引入曲线内外区域像素的中值绝对差,替换模型中的内外区域能量系数,提高模型分割效率。最终达到快速提取早期火灾图像中火焰区域的目的。大量实验结果表明,与现有的Otsu算法、CV模型、引入能量权重的CV模型、引入梯度信息的CV模型以及两种类似提出模型的CV模型相比,利用改进CV模型对煤矿井下早期火灾图像,能取得更好的分割效果,并且满足实时性要求。     

利用快速W变换计算偶离散cosine变换-Ⅳ的新算法

偶离散cosine变换-Ⅳ(EDCT-Ⅳ)的快速算法是计算各类EDCT的关键。本文系统地导出了常用的四种类型离散W变换(DWT-j,j=Ⅰ,Ⅱ,Ⅲ,Ⅳ)与EDCT—Ⅳ的关系式,从而构造了用快速W变换(FWT-j)计算EDCT-Ⅳ的四种新算法。文中给出了四种算法的运算量,并与EDCT-Ⅳ的其它快速算法进行了比较。     

基于深度学习的视觉同时定位与建图研究进展

随着机器视觉的不断发展,视觉传感器其小巧轻便、价格低廉等优势,使得视觉同时定位与建图(VSLAM)越来越受人们关注,深度学习为处理VSLAM问题提供了新的方法与思路。本文综述了近年来基于深度学习的VSLAM方法。首先回顾了VSLAM的发展历程,系统阐释了VSLAM的基本原理与组成结构。然后从视觉里程计(VO)、回环检测与建图3个方面分析各类基于深度学习的方法,从特征提取与特征匹配、深度估计与位姿估计及关键帧选择等3个部分阐述了深度学习在VO中的应用;基于场景表达方式的不同,总结了几何建图、语义建图及广义建图中的深度学习方法。接着介绍了目前VSLAM常用的各种数据集以及性能评估指标。最后指出了目前VSLAM面临的难题与挑战,展望未来深度学习与VSLAM结合的研究趋势与发展方向。     

基于双树复数小波和SVR的红外小目标检测

在分析红外图像弱小目标和背景特征的基础上,提出了基于双树复数小波变换(dual-tree complex wavelet transform,DT-CWT)和支持向量回归(support vectorr egression,SVR)的检测方法。首先采用双树复数小波变换抑制大部分背景噪声;其次用SVR对去噪后的红外图像进行背景预测,并用去噪后的实际图像减去预测图像得到残差图像,大大提高了图像的信噪比;接着提出了基于模糊Tsallis-Havrda-Charvat熵的阈值选取算法,对残差图像进行阈值分割;最后根据目标的连续性和运动轨迹的一致性检测出真实的小目标。实验结果表明:该方法可显著提高红外目标的检测概率,实现较远距离弱小目标的检测。     

基于机器视觉的表面缺陷检测方法研究进展

在半导体、PCB、汽车装配、液晶屏、3C、光伏电池、纺织等行业中,产品外观与产品性能有着千丝万缕的联系。表面缺陷检测是阻止残次品流入市场的重要手段。利用机器视觉的技术进行检测效率高、成本低,是未来发展的主要方向。本文综述了近十年来基于机器视觉的表面缺陷检测方法的研究进展。首先给出了缺陷的定义、分类以及缺陷检测的一般步骤;然后重点阐述了使用传统图像处理方式、机器学习、深度学习进行缺陷检测的原理,并比较和分析了优缺点,其中传统图像处理方式分为分割与特征提取两个部分,机器学习包含无监督学习和有监督学习两大类,深度学习主要囊括了检测、分割及分类的大部分主流网络;随后介绍了30种工业缺陷数据集以及性能评价指标;最后指出缺陷检测方法目前存在的问题,对进一步的工作进行了展望。