空洞卷积的多尺度语义分割网络

计算机硬件的发展极大程度地促进了计算机视觉的发展,卷积神经网络在语义分割中取得了令人瞩目的成就,但多卷积层叠加难免造成图像中目标边界信息的丢失。为了尽可能保留边界信息,提高图像分割精度,提出一种多尺度空洞卷积神经网络模型。该模型利用多尺度池化适应图像中不同尺度目标,并利用空洞卷积学习目标特征,在更加准确识别目标的同时,提高目标边界的识别精度,在ISPRS Vaihingen数据集上的实验结果表明,提出的多尺度空洞卷积神经网络对于目标边界的拟合结果较为理想。     

灰度图像的自适应边缘检测

提出利用灰度图像的均方差直方图实现自适应多尺度高斯滤波,实现在去噪的同时保留图像边缘特征,并通过灰度图像梯度特征信息,自适应生成动态阈值,对边缘进行自动检测,克服了传统Canny算子参数需要人为设定的不足。实验结果表明,与传统Canny算子相比,该方法可有效保留边缘信息,更具实用性。     

基于小波多尺度边缘的图像归档和查询

通过对基于图像内容的查询以及医学图像数据库领域知识的研究，提出了基于小波多尺度边缘的尺度综合和模拟人类视觉心理学特点的医学图像归档及查询方法。对基于内容的查询的检验标准进行了讨论。构造了一个基于日常临床医学图像数据库的图像归档与通信系统(PACS)的原型系统。在此系统上对上述算法进行了试验，结果证明了该算法的有效性和可行性。     

基于像素分类的多尺度无人机航拍目标旋转跟踪算法

针对无人机（UAV）跟踪过程中垂直跟踪框在处理尺度变化、相似物体和纵横比变化时限制了跟踪精度提升的问题,提出一种基于像素分类的多尺度UAV航拍目标旋转跟踪算法。首先,设计MS-ResNet以提取目标多尺度特征;然后,在具有正交特性的多通道响应图上设计像素二分类模块,从而进一步精确细化分类和回归分支的结果;同时,为了提高像素分类精度,使用并行通道空间注意力（scSE）模块在空间域和通道域上筛选目标特征;最后,在像素分类基础上生成贴合目标实际大小的旋转跟踪框,从而避免正样本受到污染。实验结果表明：所提算法在无人机跟踪数据集UAV123上的成功率和准确率分别为60.7%和79.5%、与孪生区域建议跟踪网络（SiamRPN）相比,成功率与准确率分别提升了5个百分点、2.7个百分点,同时速度为67.5 FPS,满足实时要求。所提算法具有良好的尺度适应能力、辨别能力和鲁棒性,能有效应对UAV跟踪任务。     

基于QBFM矩和三维结构的图像哈希算法

为了增强图像哈希算法的分类性能并提高拷贝检测的准确率和效率,提出基于QBFM矩和三维结构的图像哈希算法。首先对彩色图像进行规格化处理,并通过多尺度融合得到高斯融合图像和拉普拉斯融合图像,再对两种融合图像分别提取QBFM特征。同时直接在RGB颜色空间提取高斯融合图像的梯度图像并构造三维模型,利用不同视角下梯度峰顶和峰谷曲线的凹凸点信息得到三维局部结构特征;再对三维模型等距切分,统计各切面的像素数和方差作为三维全局结构特征。最后,将图像的QBFM特征和三维特征结合并置乱构成最终的哈希序列。实验结果表明,算法在鲁棒性和区分性之间有更好的平衡;与现有的哈希算法相比具有较好的图像分类性能;在拷贝检测实验中,算法具有最优的查全率和查准率。     

多层次-跨尺度物理中并行DVM-DAC算法

多尺度现象及相关理论方法是复杂物质系统研究中重要的科学问题.单一的量子力学或分子动力学方法无法解释多尺度体系中存在的现象.第一原理离散变分线性标度(DVM-DAC)算法是一种有效的大尺度体系计算方法.它采用分而治之方案,获得了O(n)的计算复杂性.但由于需要求解大量的特征方程,实现中存在严重的计算瓶颈.发展了一种并行DVM-DAC算法并付诸实现,有效地解决了原有算法的计算瓶颈问题.测试结果表明,并行DVM-DAC算法具有很好的可扩展性,并成功完成10\\+4碳纳米管原子体系的计算,为多尺度体系研究提供重要工具.     

基于多尺度梯度矢量场GAC模型的MR医学图像分割

医学图像分割是图像分割技术的一个重要应用领域,GAC(测地线活动轮廓)模型是基于PDE(偏微分方程)方法中一种常用的图像分割模型,使用这种模型时,如何选择合适的平滑尺度是影响分割效果的重要因素之一。提出了一种基于多尺度梯度矢量场GAC模型图像对象轮廓提取的MR图像分割方法,用多尺度梯度矢量取代GAC模型中单一尺度下平滑图像的梯度矢量,提高了GAC模型的收敛速度,有效地改善了局部极小值问题。实验结果验证了该方法的有效性。     

基于采样尺度自适应的多尺度量子谐振子优化算法并行化

多尺度量子谐振子优化算法MQHOA是基于量子波函数理论提出的元启发式算法,传统MQHOA寻优过程中不同个体的采样尺度不具有差异性,这种机制限制了解的多样性.针对适应度不同的采样个体,提出采样尺度自适应策略,将采样情况差的个体采样尺度合理扩大,增加迭代过程中不同采样个体所使用采样尺度的多样性,并基于采样尺度的差异性提出并...     

Shape Connectivity: Multiscale Analysis and Application to Generalized Granulometries

This paper develops a multiscale connectivity theory for shapes based on the axiomatic definition of new generalized connectivity measures, which are obtained using morphology-based nonlinear scale-space operators. The concept of connectivity-tree for hierarchical image representation is introduced and used to define generalized connected morphological operators. This theoretical framework is then applied to establish a class of generalized granulometries, implemented at a particular problem concerning soilsection image analysis and evaluation of morphological properties such as size distributions. Comparative results demonstrate the power and versatility of the proposed methodology with respect to the application of typical connected operators (such as reconstruction openings). This multiscale connectivity analysis framework aims at a more reliable evaluation of shape/size information within complex images, with particular applications to generalized granulometries, connected operators, and segmentation.     

一类新的知识型指纹图像非线性滤波方法

给出了基于小波变换的多尺度边缘表示方法及其对一般的图像信号表示的完备性和相应重建算法的稳定性,然后在小波变换的多尺度极大值表示方法的基础上,提出在尺度空间中基于多种知识的指纹图像非线性滤波方法.实验表明,这类滤波方法具有很强的自适应性,能取得令人满意的效果.