基于PCNN和最大相关准则的图像分割算法

提出了一种脉冲耦合神经网络和最大相关准则相结合的算法来对图像进行分割。该算法运用最大相关准则进行最优分割,与文献[2]的算法相比,由于涉及较少的对数运算,因此实时性较好。     

基于机器视觉的运煤车车号识别技术研究

在铁路运煤装车过程中为了快速、准确地识别车号,提出一种基于机器视觉的运煤车车号识别技术。将连通区域提取与投影分割法结合,实现车号的粗定位、细分割,并对图像中的断裂字符进行二次分割,构建了基于BP神经网络的分类模型进行车号识别,提升了煤炭装车的效率和精度。     

基于肤色和区域形态的视频图像人脸检测

本文针对复杂背景下的视频图像系列,提出了基于肤色和区域形态相结合的人脸检测算法。其算法首先采用高斯模型来模拟肤色分布并构造出肤色概率图进行人脸的初定位,再利用区域生长对其进行分割初步达到潜在脸区和非脸区分离,最后对潜在脸区采用形状分析的准则进行排除。实验证明,此算法对一些外部影响如姿势变化、人脸旋转和脸部表情具有一定的鲁棒性。     

MPEG-7的视频标准及其在IPTV中的应用

该文介绍了基于内容的多媒体检索MPEG-7中的视频标准及其描述工具,包括视频的主要元素和基本结构以及其各种视频相关描述符。并在MPEG-7基础上提出在IPTV中的基于内容的图像检索系统的基本思想,以及应用于视频分割和图形搜索的算法．通过分析图像的视觉特征和上下文联系来进行检索。     

MSAG-TransNet:肺部CT图像中新型冠状病毒感染区域的分割模型

针对现有新型冠状病毒感染区域的分割方法存在形态特征提取不充分、感染区域检测不完整以及背景混淆等问题,提出了一种肺部CT图像中新型冠状病毒感染区域的分割新模型：MSAG-TransNet模型。该模型在U型网络的基础上增加了多尺度特征抽取模块、Transformer语义增强模块和多重注意力门模块等3个新模块。首先设计了多尺度特征抽取模块来增强骨干网络的特征提取能力,通过多分支结构的深度可分离卷积,充分提取感染区域的形态特征;其次,设计了Transformer语义增强模块来捕获图像全局位置信息,整合局部形态特征;最后,设计了多重注意力门模块,将提取的特征与对应上采样过程的门信号拆分成不同分区,然后利用注意力门抑制各分区的无效特征,得到最终分割结果。该模型在两个公开的新型冠状病毒感染CT数据集上进行实验,实验结果显示：分割图像的Dice系数分别为82.03%和76.67%,精确率为77.27%和72.34%,交并比为69.53%和62.16%;与其他主流模型相比,该模型能够提取更丰富的形态特征,检测到更完整的感染区域,并且得到更精准的分割结果。该模型可以更精确的定位和量化新型冠状病毒感染区域,...     

一种利用花粉算法优化的遥感图像分割方法

为提高遥感图像分割的准确性与抗噪性,以学生t分布混合模型为基础,结合K-means与花粉算法的特点,将K-means算法局部寻优能力强以及花粉算法全局寻优能力强的优点相结合,提出一种基于K-means的学生t分布混合模型,用于遥感图像分割.该方法中,根据学生t分布与高斯分布以及柯西分布比较接近的特点,对花粉算法的执行过...     

如何使用Ajax技术开发Web应用程序(二)

在上一篇文章中,我们讨论了如何通过javascrip从一个远程XML文件中取得数据。在这篇文章中,我们将学会怎样对数据作更复杂的处理。作为一个示例,我们会准备一组XML数据,将数据分割成独立的片断并以不同的方式展示这些片断（取决于它们是如何被标识的）。     

非均匀背景下的红外图像曲面拟合分割

红外图像往往存在着背景不一致的特点,因此在分割时无法有效地提取出目标。本文针对这一问题提出了一种基于曲面拟合的图像分割方法,以分割非均匀背景下的红外目标。这种方法首先对背景进行光顺限制的曲面拟合,再通过设置一个偏移量来形成阈值曲面。通过研究发现,曲面拟合时的偏离项和光顺项的权重系数比是由图像背景的双拉普拉斯变换以及噪声均方差共同决定的,从而在估计噪声均方差的基础上实现了对权重系数的自适应选取。从仿真结果可以看出,本文提出的曲面拟合分割法在背景去除和目标提取上要优于传统的Ostu法和局部阈值法。     

基于动态图卷积的混合注意力点云特征学习网络

当前针对点云模型的形状分类、部件分割等工作的深度学习网络缺乏从全局和局部两个角度综合利用上下文信息的能力,从而阻碍了点云对象在细节部分的准确度性能。因此,该文提出了一种通道注意力与局部区域注意力相结合的混合注意力机制,并基于动态图卷积构建了新的三维点云特征学习网络EDANet。通过通道注意力优化边卷积的处理过程,充分挖掘点云的局部特征信息,同时使用局部区域注意力从全局视角提取上下文特征,并将两部分信息相结合并逐层传递,从而提高特征提取效果网络的能力。在ModelNet40与ShareNet数据集上分别进行了点云形状分类、部件分割实验,实验结果表明在ModelNet40数据集上,EDANet网络的总体精度OA达到了92.9%,相较于PointNet、PointNet++、DGCNN分别高出了3.7%、2.3%、0.7%。在ShareNet数据集上平均并交比(mIoU)达到了86%,相较于PointNet、PointNet++、DGCNN分别高出了2.3%、0.9%、0.8%。相比其他深度学习网络也具有不同程度的性能提高。验证了该方法在点云处理任务中的优越性能。