一种快速响应码图像的分割和校正方法

首先分析快速响应码图像的定位特征模式,提出一种基于一维特征模板匹配及利用图像一维扫描波形快速定位条码区域的方法,并在实现图像方位归一化后,对条码边界进行Hough变换得到边界直线和顶点位置,最后利用控制点变换和双线性插值方法实现条码几何失真校正和大小归一化,得到只包含条码的图像。实验表明这些算法能有效消除图像中无关信息和笔迹污染的干扰,并能校正几何失真。最后得到的条码图像可以进一步由条码符号识别算法和解码算法等进行处理。     

基于视频的入侵检测系统

文中介绍基于视频的实时入侵检测系统的框架,采用动态背景生成和背景帧差方法检测入侵并分割入侵目标。该系统可广泛应用于对特定区域进行的安防监控。     

基于模糊聚类的运动对象分割算法研究

为了从视频序列中分割出完整的、一致的运动视频对象,该文使用基于模糊聚类的分割算法获得组成对象边界的像素,从而提取对象。该算法首先使用了当前帧以及之前一些帧的图像信息计算其在小波域中不同子带的运动特征,并根据这些运动特征构造了低分辨率图像的运动特征矢量集;然后,使用模糊C-均值聚类算法分离出图像中发生显著变化的像素,以此代替帧间差图像,并利用传统的变化检测方法获得对象变化检测模型,从而提取对象;同时,使用相继两帧之间的平均绝对差值大小确定计算当前帧运动特征所需帧的数量,保证提取视频对象的精确性。实验结果证明该方法对于分割各种图像序列中的视频对象是有效的。     

一种基于图像的植物器官重建

该文提出了一种基于植物器官图像的器官重建方法,系统实现步骤包括:图像预处理、轮廓的提取、二值化、细线化、矢量化、三角剖分,从而实现器官的重建。文章以叶为例,实现了叶可视化重建。系统考虑叶图像的特点,设计了优化的轮廓提取算法;并对Hilditch细线算法进行改进,提出了一种快速细线化算法。文章提出的器官重建方法可用于多种植物模型(如L系统)的器官外观建模;由于采用基于图像的技术,系统具有逼真的外观效果,实现了植物器官快速可视化重建。     

基于粒子群优化算法的最佳熵阈值图像分割

图像分割是自动目标识别的关键和首要步骤。群智能作为一类新兴的演化计算技术已被越来越多的研究者关注。论文研究将群智能中的粒子群优化算法应用到图像分割中,提出了一种新的图像分割算法。新方法基于最佳熵阈值分割技术,用粒子群优化算法自适应选取分割阈值,基于Bayes定理和随机状态转移过程对新算法收敛性的分析表明,新方法能以概率1找到图像的最佳熵阈值。在仿真实验中,针对基准图像和SAR图像分割问题,将遗传算法与粒子群优化算法分别独立运行10次,对10次得到的阈值以及均值、方差进行了比较,并将运行时间作为算法复杂度的评价指标。统计结果显示,论文算法不仅能够对图像进行准确的分割,而且运行时间明显较短。仿真结果表明,基于粒子群优化的图像分割算法是可行的、有效的。     

基于统计模式识别的岩石节理图像分割方法

岩石节理裂隙形状复杂,图像中含有很多噪声。而使用统计模式识别方法在分割图像时,可以首先使分类器学习图像中不同样本的特征,进而利用这些特征对图像中每个像素进行分类,实现分割。在设计统计模式识别的分类器时,我们提出使用基于核函数Fisher判别法构造分类器。使用该方法可以将图像高维的属性空间上的非线形判别转化为图像特征空间上的线形判别,而不需要知道从属性空间到特征空间的具体映射形式。通过对岩石节理裂隙图像分割实验表明,该方法能达到较其他方法更好的分割效果。     

高性能的多体印刷英文识别系统的实现

提高低质量文本图像的识别率是现今文字识别研究的重要方向。文章对倾斜文本行的切分算法,断裂、粘连、交叠字符的切分算法以及后处理作了较为深入的研究,提出一些新的算法。该系统能够识别多达260种字体,包括黑体、斜体等字体,对训练集的识别率达到98.5%,并在实际应用中取得了良好效果。     

一种红外目标图像的自动分割方法

针对红外成像制导过程中运动目标的分割,提出了一种红外目标图像的自动分割方法,它首先对目标红外图像进行多尺度形态滤波,消除背景和杂波的影响同时增强目标的对比度,然后采用连接相对熵准则确定区分目标和背景的最佳门限,最后对得到的二值图再进行形态滤波,得到精确的目标分割图像。实验结果表明该方法效果良好,便于下一步的目标识别和跟踪。     

一种基于遗传算法的骨髓细胞图像分割方法

本文设计了一种基于熵的遗传聚类分割算法。该方法以像素的灰度值为特征向量进行编码,利用直方图熵法准则函数作为适应度函数,采用基于排名的选择操作,以一定的概率进行算术交叉和变异,并结合聚类分析设定种群的聚类中心对细胞图像进行遗传聚类分割,获得了较好的分割效果。     

A Character Flow Framework for Multi-Oriented Scene Text Detection

Scene text detection plays a significant role in various applications,such as object recognition,document management,and visual navigation.The instance segmentation based method has been mostly used in existing research due to its advantages in dealing with multi-oriented texts.However,a large number of non-text pixels exist in the labels during the model training,leading to text mis-segmentation.In this paper,we propose a novel multi-oriented scene text detection framework,which includes two main modules:character instance segmentation (one instance corresponds to one character),and character flow construction (one character flow corresponds to one word).We use feature pyramid network(FPN) to predict character and non-character instances with arbitrary directions.A joint network of FPN and bidirectional long short-term memory (BLSTM) is developed to explore the context information among isolated characters,which are finally grouped into character flows.Extensive experiments are conducted on ICDAR2013,ICDAR2015,MSRA-TD500 and MLT datasets to demonstrate the effectiveness of our approach.The F-measures are 92.62％,88.02％,83.69％ and 77.81％,respectively.