局部自适应复合绝缘子检测与憎水性分类网络

憎水性等级(Hydrophobicity Class,HC)是衡量绝缘子性能的重要指标之一。在实际环境的多种因素作用下绝缘子伞裙表面存在局部憎水性差异,为了准确识别绝缘子的性能,本文提出了一种基于深度学习的局部自适应绝缘子检测与憎水性分类模型。首先,通过绝缘子分割模块分离绝缘子与背景区域,为后续针对绝缘子区域的操作提供分割信息;然后将绝缘子区域划分为固定大小的图像块,在缩小分辨率减小运算难度的同时保留了绝缘子表面的细节信息;最后通过憎水性分类模块分析图像块内绝缘子的憎水性。实验使用巡检维护现场的绝缘子图片作为样本集,分阶段构建模型,分别对分割阶段和憎水性分类阶段的准确性进行评估。实验结果显示分割阶段模块能有效识别绝缘子和背景区域,交叉验证的测试集准确率均大于97.21%,并且憎水性分类阶段模块能准确分析绝缘子憎水性,对140幅测试图片的识别准确率达到98.65%。经过实验证明本文提出的模型在复杂自然环境中检测绝缘子性能是一种有效的解决方案。     

Efficient multilevel image segmentation through fuzzy entropy maximization and graph cut optimization

The fuzzy c-partition entropy has been widely adopted as a global optimization technique for finding the optimized thresholds for multilevel image segmentation. However, it involves expensive computation as the number of thresholds increases and often yields noisy segmentation results since spatial coherence is not enforced. In this paper, an iterative calculation scheme is presented for reducing redundant computations in entropy evaluation. The efficiency of threshold selection is further improved through utilizing the artificial bee colony algorithm as the optimization technique. Finally, instead of performing thresholding for each pixel independently, the presented algorithm oversegments the input image into small regions and uses the probabilities of fuzzy events to define the costs of different label assignments for each region. The final segmentation results is computed using graph cut, which produces smooth segmentation results. The experimental results demonstrate the presented iterative calculation scheme can greatly reduce the running time and keep it stable as the number of required thresholds increases. Quantitative evaluations over 20 classic images also show that the presented algorithm outperforms existing multilevel segmentation approaches.     

基于灰度形态重构的颗粒图像分割方法

提出了一种基于距离变换、形态重构和分水岭算法的图像分割算法。将一幅图像通过距离变换得到距离灰度图,与形态重构算法结合,得到颗粒图像的标识点图,用标识点图对距离灰度图进行分割,再用分水岭变换对分割后的距离灰度图进行变换。试验表明,该算法能有效合理地解决粘连或者重叠颗粒等物体的分割。     

超像素分割算法研究综述

超像素能够捕获图像冗余信息, 降低后续处理任务复杂度, 已受到了国内外研究者的日益关注。首先分析了超像素分割领域的发展现状, 以基于图论的方法和基于梯度下降的方法为视角, 对现有超像素分割方法进行归纳和论述。在此基础上, 就目前常用的超像素分割算法进行了实验对比, 分析各自的优势和不足。最后, 对超像素分割技术的最新应用进行了介绍和展望。     

基于自然语言处理的算法知识名称发现

网络中的很多程序资源在知识概念上有内在的联系,却没有超链接将它们连接在一起。将网络程序资源中的算法知识名称获取出来,组织成一个算法知识专家库文件,用于识别程序设计资源所含的知识点,即可将程序设计资源按知识点相互联系。为了自动获取程序资源中的算法知识名称,提出一种基于自然语言处理的算法知识名称发现方法。通过发现含有算法知识名称语句的字符串模式,从程序资源中提取可能含算法知识名称的字符串,从中找出最有可能出现在算法知识名称中的分词,并根据这些分词获取算法知识名称。实验结果表明,与原有人工整理出的算法知识名称集合相比,该方法新增了11.2%的算法知识点和13.6%的算法知识名称。     

基于C-V模型和MRF的脑部MRI分割

为准确分割脑部磁共振图像(MRI)的灰质、白质和背景,提出一种基于C-V模型和马尔可夫随机场的全自动分割方法。采用C-V模型与形态学相结合的方法对脑MRI进行预处理,去除多余脑组织,获得待分割图像。引入灰度场局部熵的思想对惩罚因子进行估计,利用马尔可夫随机场模型建模实现脑灰白质的分割,并运用形态学方法获得最终分割结果。对96幅IBSR图像和46幅临床图像进行实验,结果表明,该方法能够实现脑部MRI灰白质的全自动分割,且具有较好的分割精度和较快的处理速度。     

基于MultiLayer水平集的脑MRI图像分割框架

提出了一种新的自动初始化水平集的方法和基于MultiLayer水平集的活动轮廓模型。该模型同时进行偏移场去除和图像分割,因此可以有效地克服灰度不均匀性的影响。最后利用了大脑皮层的距离信息,在框架中增加了厚度约束项。实验结果显示,相比著名的LBF模型,该框架不但可以获得更高的分割精度,而且分割时间也大大减少。     

一种基于海陆边界跟踪的快速海陆分割方法

海陆分割是进行船舶检测、海岸线提取的基本前提之一。当前海陆分割方法需要对图像进行逐像素处理,因此计算量大。提出一种只需处理海陆边界区域图像的分割方法,用以快速准确地获取海陆边界。首先提取图像4个边缘的基于边缘信息的EBT纹理特征,获取海陆边界种子块。然后从该种子块出发,利用EBT纹理特征进行边界块跟踪,实现快速海陆分割。实验结果表明,所提方法具有较好的分割效果,与目前主流的分割方法比较,时间花费大幅减少。     

基于Matlab的车辆牌照自动识别技术研究

在充分利用车牌投影特征和纹理特征的基础上,以准确快速自动识别车辆牌照为最终目标,经过灰度变换、边缘检测、形态学处理、二值化处理等多种图像处理方式,并考虑了图像在拍摄、传输过程中可能存在的噪声干扰、光照不均等不利因素的影响,以M atlab为开发平台编程实现车辆牌照自动识别全过程,经对多幅车牌图像进行实验,测试结果表明该系统运行快速稳定、正确识别率较高,具备实际应用价值。     

带钢表面图像缺陷区域的分割方法

主要研究了一种适用于带钢表面图像的缺陷区域分割方法．首先,对传统的基于边缘检测和全局阈值的缺陷区域分割方法进行研究和比较,然后根据带钢表面缺陷图像的灰度特点,提出了一种基于灰度级形态学增强和自适应阈值的缺陷区域分割方法．采用本文方法对常见的带钢表面图像进行缺陷区域分割实验,结果表明本文方法的分割效果要优于传统的分割方法．因此,提出的基于灰度级形态学增强和自适应阈值的缺陷区域分割方法具有一定的实际应用价值．