浮选图像中泡沫边缘分割

矿物浮选过程中泡沫的表面特征是浮选性能的重要指标,它可以实时、直观地反映浮选效果的变化,准确分割泡沫的边缘信息是浮选过程中一项重要的任务。近年来,研究人员提出了各种浮选泡沫图像分割算法,但浮选泡沫图像中存在泡沫数量多、泡沫间粘连严重以及边缘不清晰等问题,现存的方法由于其特征提取能力有限,无法精确的分割泡沫边缘。据此,本文利用深度学习提出了一种基于多尺度融合的浮选泡沫图像边缘分割算法,该算法通过引入一种深度高分辨率的编码结构以及一种基于注意力的分层融合方法来增强模型的特征提取能力,从而提高对于浮选泡沫边缘的分割效果。具体而言,深度高分辨率的编码结构可以在不同分辨率层级上同时维护特征信息,使我们的网络模型可以有效地捕捉不同尺度的信息,在提高图像语义理解能力的同时能够保持更多的细节信息,提高处理高分辨率以及密集任务图像的能力。除此之外,本文设计了一种基于注意力的分层融合方法来充分融合深层和浅层的特征图,使融合得到的特征图趋向于更重要的特征信息,从而提高识别浮选泡沫的边界和精确定位浮选泡沫的能力。该算法在泡沫边界分割数据集上凭借58.25的泡沫IoU以及73.62的泡沫Fscore取得了最佳的性能,证明了我们提出的算法可以更加准确地分割浮选泡沫边缘。     

基于单应性与相似度矩阵的运动分割

运动分割的关键问题是根据在运动场景中提取的视觉特征,对视频序列中不同的运动物体进行聚类划分.在对物体运动进行运动分割时,通常会遇到运动物体被遮挡的问题,而传统的运动分割方法如子空间聚类等都没能很好地解决这一问题.而且对于Hopkins155这个数据集来说,视频的场景基本上都比较小,而且相机大多固定,所以要对这种视频进行...     

基于噪声检测和自适应方差的双边滤波算法

双边滤波是一种在滤除噪声的同时具有保持图像边缘能力的滤波算法,但是由于传统滤波的参数是提前设定的,并且具有保边性,因此对于含有与边缘像素近似的复杂噪声的图像处理无法达到良好效果。为了解决以上问题,提出一种改进的双边滤波算法,通过判断图像边缘的像素点是否为噪点,采取参数自适应设置的方法,从而实现有效的自适应双边滤波。通过实验仿真验证,提出的算法无论在主观观察还是客观评价标准上都取得了良好的效果,可知文中改进算法对图像边缘的处理更准确。     

基于数学形态学的数学公式图像分割系统

数学公式图像识别的难点之一是数学公式分割.数学公式通常是由特殊的字符、希腊字母、英文字母和一些数字组成的复杂的结构体,大大增加了图像分割的难度.本文将数学形态学的思想引入到公式图像分割的算法中,通过对数学公式图像的细化操作,然后递归水平、垂直投影进行公式字符分割.实验表明,该方法能够有效的对数学公式进行分割.     

浅谈MATLAB在数字图像处理中的应用

介绍利用MATLAB在边缘检测方面的各种函数和算子,对图像进行处理和比较,得出各种函数和算子对图像的处理的特点;利用MATLAB实现图像增强的3种常用方法：灰度直方图均衡化、灰度变换、平滑与锐化滤波等;探讨利用MATLAB实现图像频域变换处理中的应用。     

基于遥感影像中电磁特性的地物提取方法

电磁特性数据是电子信息装备内场仿真试验不可或缺的数据资源,为了克服传统电子信息装备仿真试验中的电磁特性数据获取方法的不足,提出了从遥感影像中大批量获取大区域范围的电磁特性数据的新方法.首先依据不同地物的电磁特性规律对某一地域的地物进行了分类,从多尺度分割概念和基于异质性最小的区域合并算法两个方面.深入研究了针对地物分类的面向对象多尺度分割算法,并结合实践对算法进行了应用.由于遥感影像的真实性.保证了电磁特性数据提取的准确性与可靠性,实践证明此研究为大批量获取电磁特性数据提供了一种有效的方法和思路.     

基于数字图像技术的粮堆压力与孔隙率关系研究

粮堆孔隙率是粮堆基本物理参数之一,对粮堆温度场、湿度场和生物场的分布和变化具有重要的影响.以小麦粮堆为研究对象,采集不同压力下粮堆表层图像,用OTSU大津闽值分割法处理图像,分割粮食籽粒与孔隙,根据分割后的图像计算不同压力下的粮堆孔隙率,提出了一种基于图像测量技术的粮堆孔隙率测量方法.通过与理论计算结果对比可知:图像测...     

基于视觉显著度的污损图像缺陷识别方法研究

针对传统图像缺陷识别方法存在的识别时间较长、识别敏感度较低以及缺陷识别效果较差的问题,提出基于视觉显著度的污损图像缺陷识别方法。采用傅里叶变换对图像进行预处理,运用滤波器对局部窗口内的平稳过程进行处理,将图像中的高频部分进行滤除,对原始图像进行平滑处理,达到图像去噪效果。根据预处理结果提取污损图像中的视觉显著度,构成显著特征矩阵,形成视觉显著图,将视觉显著图与图像分割进行结合,实现对污损图像的缺陷识别。实验结果表明,所提方法的识别时间较快、识别敏感度较高,且缺陷识别效果较好。