基于图割理论的储粮害虫图像分割

采用机器视觉对储粮进行检测是储粮害虫监测的主要方法之一。储粮害虫图像有效分割是粮虫特征提取和识别分类的基础和依据。为实现粮虫图像的有效分割,采用基于图割理论的图像分割方法。该方法采用高斯混合模型(GMM)表征颜色概率分布,在高斯混合模型参数学习估计过程中通过不断扩大背景样本点修正GMM参数,完成对能量函数的最小化,从而改善了分割效果。实验结果表明,该方法可以清晰地分割出与背景差异较小的粮虫,解决了基于直方图模型的图像分割方法无法从目标和背景相似的图像中将粮虫进行准确提取的问题。     

一种多特征融合的运动目标检测算法

针对传统的混合高斯背景模型目标检测算法在复杂背景干扰和阴影条件下无法准确检测出目标的问题,提出一种多特征融合的运动目标检测算法.将包含上下文信息的局部二值模式(context local binary patterns,CLBP)纹理特征和HSV颜色特征的色调信息相结合,利用CLBP直方图向量和局部色度向量与高斯背景模型进行匹配实现运动目标检测.结果表明,该算法在满足实时性的前提下,对受阴影、目标遮挡和图像抖动等干扰时的目标检测准确性较高.     

基于灰度直方图和高斯混合模型多特征肤色识别算法

肤色识别是色情图像识别和人脸检测中的关键技术,肤色识别的效果关系着相关图像处理技术的应用效果。尽管基于高斯混合模型的肤色识别算法能较好识别存在干扰因素的图像中的肤色,但对于图像中与肤色相近的毛发、背景、风景等部分识别效果并不理想。为了解决这个问题,结合灰度直方图和高斯混合模型的优势,提出了基于灰度直方图和高斯混合模型多特征肤色识别算法。实验表明该算法识别效率较高,能较好识别与肤色相近的非肤色部分,具有一定的实用性。     

基于混合高斯和HOG+SVM的行人检测模型

为了提高行人检测系统的检测率,提出了一种基于混合高斯背景建模结合方向梯度直方图(histogram of oriented gradient,HOG)+支持向量机(support vector machine,SVM)的行人检测模型.首先,采用混合高斯模型进行前景分割,有效提取出运动目标区域;然后,在行人识别部分通过缩小检测窗口尺寸来降低HOG特征维数;另外,利用误识别区域,对样本库的信息进行二次更新,以优化SVM分类器;最后,以随机视频帧为测试样本进行模型性能验证.结果表明,在保证检测率和检测速率的情况下,该混合高斯结合HOG+SVM模型的误检率仅为4%,说明该模型能够在复杂场景下实时准确地进行行人检测.     

复杂背景下目标树叶自动分割的Grabcut算法

针对传统GrabCut算法需要人机交互且难以在复杂背景或光照不均匀时准确分割目标树叶的缺点,提出一种基于GrabCut算法的复杂背景下或光照不均匀时目标树叶的自动分割算法。本算法利用模糊高斯混合模型(FGMM)和图像的颜色信息对原始图像进行标记实现自动分割。首先选取合适的模糊因子利用模糊高斯混合模型对图像像素进行一次标记;在一次标记的基础上再结合超绿算法(EXG)选取合适的阈值对图像像素进行二次标记;最后将二次标记图像初始化GrabCut算法实现目标树叶的自动分割。利用几种不同的样本对提出算法的有效性和错分率进行探讨。结果表明,所提出的算法可以实现复杂背景下或光照不均匀时目标树叶的自动分割,且平均错分率达到1.625。     

车辆视频检测中自适应背景更新算法的研究与仿真实现

本文主要对车辆视频检测中基于高斯混合模型的自适应背景更新算法进行了研究和仿真实现,并针对图像初始化的几种方法进行了研究和仿真.混合高斯模型算法可以较好地提取多模态图像中的背景与前景,统计直方图法则能较好地提取初始背景,实现背景更新.     

自适应背景建模及运动目标的检测

提出一种能在动态摄像机场景下检测前景物的算法(AGMM).本方法采用角点特征对前后两帧图像进行匹配,估算两帧图像的移动向量,并以此校正高斯混合模型(GMM),并在此基础上进行背景的重建以及前景物的分割.以不同场景的视频序列对本算法和GMM算法进行比较.实验结果表明,提出的算法能够适应动态摄像机场景,以牺牲一点复杂度为代价,大大提高检测精度,并且在摄像机移动比较大的位移时仍然可以得到正确的结果.     

基于支持向量机的磁粉探伤智能识别算法

磁痕图像的自动分类方法是磁粉探伤智能化的关键技术之一。针对目前磁粉探伤自动识别漏识率和虚警率高的问题,提出采用支持向量机算法后验概率输出的判断方式对磁痕图像进行分类。对采集到的图像进行预处理和特征提取,然后使用支持向量机对特征数据处理得到后验概率,利用此后验概率得到分类信息将结果映射为有无裂纹与类别模糊区三类,实现智能识别。实验证明算法的有效识别率高,在漏检率和虚警率上取得了较好的平衡。     

结合互信息熵差测度的高斯混合模型图像分割

从分割图像与原图像的内在联系出发,提出了一种基于高斯混合模型与互信息熵差结合的分割算法--GMM-DMI算法.利用期望极值化方法确定高斯混合模型的各分量参数,以互信息熵差为模型选择准则,计算前分割图像与当前分割图像的互信息熵差,互信息熵差达到最小时即为最优解.实验结果表明,本算法所得到的目标图像的区域保持形状且定位性能好.     

基于X-ray CT的沥青混合料材质分类方法

利用工业CT获取的沥青混合料扫描图像,通常采用阈值分割法处理,通过获取全局阈值,将集料与其它物质分离,目前尚缺少沥青混合料图像分割效果的综合评价方法.文中结合图像灰度直方图分布特点,引入模式识别领域的高斯混合模型(GMM)和模糊C均值(FCM)聚类算法进行分析,并通过采取两次二分类的策略,尝试将图像区分为背景、孔隙、胶...