基于红外图像的绝缘子串自动提取和状态识别

为解决目前绝缘子低零值检测方法漏判率高、操作繁琐的问题,提出了一种新的绝缘子串红外图像中绝缘子盘面和铁帽区域自动提取方法和状态识别模型.首先将现场拍摄的绝缘子红外图像进行灰度化处理、去噪、二值化;然后从二值图像中提取反映绝缘子的特征点集合;通过特征点对二值图进行角度校正;最后通过区域提取中的特定算法提取出绝缘子的盘面和铁帽区域.通过提取该区域内的绝对温度、纹理和相对温差率作为绝缘子状态识别的特征集.将用电压分布法测得的绝缘子状态信息作为输出向量,通过训练得到优化的识别模型,用于绝缘子状态识别.该方法经过了220kV试验验证,证实了模型的有效性和实用性.     

基于二值图像的指纹特征点快速提取算法

提出了一种基于二值图像的特征点快速提取算法.该方法仅通过对二值图像中的有效点进行一次顺序遍历,根据二值图像的局部特征可以准确地提取出指纹图像中的特征点,具有简单快速并且有效的特点.     

基于目标特征的图像预处理技术

结合建筑物搜索与识别的实例,提出了有利于保留目标特征的二值图像平滑算法和水平分割算法,改进了中心差分算子的边缘检测方法,并采用基于边缘特征的二值化算法对图像进行预处理.实验表明,这种基于目标特征的图像预处理方法对各种条件下采集的图像都能达到较好的处理效果,并取得了令人满意的速度.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于Harris-改进LBP的特征匹配及目标定位算法

为满足机器人伺服抓取中定位精度和实时性的要求, 提出一种基于Harris及改进局部二值模式(LBP)的特征匹配和目标定位快速算法. 首先采用Harris检测算法提取图像特征点; 然后提出一种新的特征点描述子定义方法, 先利用胡矩确定特征方向, 再根据特征方向对局部图像做标准化处理, 提取标准化局部图像LBP特征作为特征点描述子; 最后通过计算两张图像中各特征点描述子间的汉明距离实现特征匹配, 再根据匹配结果估计单应性矩阵, 定位目标在场景图像中的位置. 实验结果表明, 该算法匹配速度快、 定位精度高.     

指纹信号的识别特征提取和处理技术

指纹识别技术一般由图像采集,预处理,特征提取,特征匹配,数据库管理五部分组成.本文根据方向图二值化处理,提取细节特征点,以及点模式匹配等算法对初始指纹图像进行处理,实验效果达到了预先的设想,成功实现了指纹图像的识别和匹配.     

图像处理中曲线矢量化的最优化算法

二值图像由于像素取值简单、便于操作,因而在Matlab中,可以很容易地从图像中识别出对象.在影像反求设计中,将图像滤波、增强、去噪后二值化,提取出图像的轮廓,将最优化算法用于对所得到的像素点进行拟合,设计矢量化的目标函数,求出最优化解,即图像的最优矢量化.根据矢量化提取的图像三维信息,可以进行三维设计与重建.     

一种新型的基于自适应局部二值模式的纹理分类算法

局部二值模式(LBP)在纹理特征提取时,易受光照、旋转、噪声等复杂条件的影响.本文定义一种新型自适应局部二值模式,通过考虑模式的均匀度和相似度,来实现纹理模式分类和特征值计算.结合差分运算,分别在差分二值矩阵和差分绝对值矩阵上计算自适应纹理特征,并将两部分特征值连接成一个空域增强的特征向量,采用最近邻分类器完成图像分类识别.实验结果表明,该算法在复杂条件下具有更好的识别效果.     

快速和尺度稳健的纹理图像识别

传统的纹理图像识别方法很难同时获得较好的识别精度、实时性和尺度稳健性,不利于实际的工程应用.因此,提出一种快速和尺度稳健的纹理图像识别方法.该方法首先利用高斯滤波构造一个纹理图像的多尺度空间,然后利用完备的局部二值计数(Completed Local Binary Count,CLBC)算法对多尺度空间中的每个图像提取局部二值特征,并跨尺度提取局部二值特征的最大值,再将多个分辨率的特征相结合作为纹理图像的最终特征描述,最后利用最近子空间分类器(Nearest Subspace Classifier,NSC)判定纹理图像的类别.在基准纹理图像数据库上的实验表明,该方法在识别精度、实时性和尺度稳健性方面获得了很好的综合性能,有利于实际的工程应用.