基于蚁群算法的图像分割方法

目的提出基于蚂蚁算法的图像分割技术,解决传统的图像分割算法分割图像的效果不理想、不能满足图像分割要求等问题。方法将图像的灰度、梯度和邻域特征组合成蚂蚁,通过MATLAB实现蚁群图像分割算法对图像的外廓提取。结果与结论相对于传统的图像分割算法,基于蚂蚁算法的图像分割算法的外廓提取具有更高的仿真精度,得到的图形外廓更为理想。     

叶菜根系图像的变分水平集分割算法

植物根系图像分割是根系构型特征提取和分析的前提.针对传统图像分割方法在处理叶菜根系弱边缘图像中存在分割精度和稳定性较差的问题,提出了一种基于改进C-V(Chan-Vese)模型的变分水平集分割算法.该算法不仅保留了C-V模型对于处理弱边缘图像的适用性,并针对叶菜根系图像局部灰度不均的特点引入了图像梯度信息,改进了原C-V模型.通过对小白菜根系样本图像的分割处理试验,证明了变分水平集分割算法的有效性.研究结果表明,相比传统的阈值处理、边缘检测及区域生长等算法,本文算法能更加精细地解决叶菜根系图像弱边缘和局部灰度不均的问题,并在分割精度和算法稳定性上具有明显的优势.变分水平集算法应用于叶菜根系构型观测系统中,可以有效地提高观测精度.     

基于多阈值算法和分水岭算法的图像分割

图像分割是图像处理中的关键技术,有利于目标的定位和识别,为了提高图像分割的精度,针对单一分割方法存在的不足,提出一种基于多阈值算法和改进分水岭算法的图像分割方法.首先采用多阈值算法分割图像,得到图像的初步分割轮廓,然后采用分水岭算法实现再一次图像分割,最后选择多种类型的图像对分割方法的精度进行验证.实验结果表明,该方法可以将用户感兴趣的目标准确地分割出来,图像分割精度和速度优于单一的多阈值算法或改进分水岭算法,更有利于图像的后期处理.     

基于Android平台的障碍物检测系统的设计与实现

为了提高视觉导盲仪障碍物检测系统的便携性,建立了基于Android平台的障碍物检测系统。对该系统所采用的Android平台采集双目图像、路面平面提取和障碍物检测等算法进行研究。首先,根据Android平台的USB HOST API介绍了Android平台以非ROOT的方式采集双目图像数据;然后,提取并匹配双目图像的特征点得到稀疏的三维点云,在三维点云中用随机抽样一致性算法(random sample consensus,RANSAC)来提取路面平面;最后,在利用双目图像路面平面单应性来区分路面与障碍物的基础上,说明了采用半全局块匹配(semi-global block matching,SGBM)进行障碍物检测的算法。实验结果表明:系统5 m以内的障碍物检测准确率达到90%;检测时间达到1 s/帧。完全满足视觉导盲仪障碍物检测系统的检测准确率高、实时性高、易便携等要求。     

融合深度残差网络和注意力机制的3D目标检测

针对Frustum-PointNets的实例分割网络结构单一且卷积深度较深、易出现特征丢失和过拟合，检测准确率较低的问题，提出了一种改进的Frustum-PointNets网络。该网络首先构建深度残差网络并融入实例分割网络，提高特征提取能力，解决深层网络的退化问题；引入双重注意力网络以增强特征，提高分割效果；运用Log-Cosh Dice Loss解决样本不均衡，加快网络训练；使用Mish激活函数保留特征信息；最后基于Kitti和SUN RGB-D两个数据集进行实验验证本文算法的有效性。实验结果表明，本文算法相对于Frustum-PointNets，在Kitti数据集中，3D框检测精度提高了0.2%～13.0%；鸟瞰图的3D框检测精度提高了0.2%～11.3%。在SUN RGB-D数据集中，本文算法的3D框检测精度提高了0.6%～16.2%，平均检测精度（m AP）提高了4.4%。实验验证，本文算法在室外和室内场景中获得较好的目标检测及分割效果。     

使用候选框进行全卷积网络修正的目标分割算法

由于反卷积和上池化操作的存在,传统全卷积网络在解码阶段常常会丢失目标位置信息,降低图像的分割精度.针对这种情况,提出基于候选框网络对全卷积网络的输出进行缺陷位置微调的液晶面板缺陷分割算法.算法基于ResNet-101网络搭建全卷积主干网络,此构建2个分支,候选框生成网络和反卷积网络.在反卷积网络的输出层中使用多通道分类损失函数,输出关于每种缺陷的类别分割图.同时利用候选框网络产生高置信度的目标框,以此框对反卷积网络输出的类别分割图进行逐通道修正,使用修正后的多通道缺陷类别分割图进行逐像素分类,得到最终分割结果.实验结果表明,该算法对液晶面板缺陷的分割取得了7.5％的精度提升,边缘分割更加精细化.     

基于深度学习的三维乳腺超声影像自适应分割

针对传统乳腺超声影像分割算法存在准确率低、精度低且耗时长等问题,提出基于深度学习的三维乳腺超声影像自适应分割算法。首先预处理图像,采用深度多示例学习方法检测病变图像块,删除正常图像块。然后对乳腺超声影像数据集扩增处理,用于神经网络训练。其次构建残差卷积神经网络模型,设计残差学习单元,结合扩增数据集形成特征映射,采用softmax函数训练网络并进行特征块判断,并结合阈值设置实现三维乳腺超声影像自适应分割。实验结果表明,该算法能更细致地完成图像分割,算法平均运行耗时为52.3 s,图像分割精度为95.5%,且F1分数值高,整体性能佳,为卷积神经网络分割应用提供参考。     

基于最优家族遗传算法的改进二维熵图像分割

分析了最大二维熵图像分割算法的基本原理,提出了一种改进的二维熵图像分割算法.该算法同时考虑了孤立像素点的灰度信息和像素点的空间相关性,并对目标的边缘进行检测,因此保留了更多的图像边缘信息.引入搜索区域、群体规模可变的最优家族遗传算法对阈值进行搜索,不仅提高了算法的搜索速度,而且避免了早熟现象.实验结果表明,分割256×256的Lena图100次,平均时间为1 5937s,平均进化代数为2 5037,且边缘信息得到了很好保留.改进算法在分割速度和分割精度上比普通二维熵的分割算法有显著的提高,说明了算法的有效性.     

采用改进YOLOv3的高分辨率遥感图像目标检测

由于高分辨率遥感图像存在目标排列密集、尺寸差别大等情况,传统算法难以准确地对其进行目标检测。在YOLOv3算法的基础上,提出一种改进的高分辨率遥感图像目标检测算法(remote sensing-YOLO,RS-YOLO)。利用K-means聚类算法对数据集进行聚类,重新设计适合遥感图像的先验框; 引入高斯模型计算预测框的不确定度,以提高网络对预测框坐标的准确度; 使用弱化的非极大值抑制算法(soft non-aximum suppression,Soft-NMS)对预测框进行处理,增强算法对密集排列目标的检测能力。实验结果表明,改进后的算法能够对高分辨率遥感图像进行有效的目标检测,以NWPU VHR-10数据集为例,RS-YOLO的平均检测精度达到了87.97%。     

采用仿射迭代最近点的晶圆分割方法

针对依赖硬件设施的晶圆分割方法存在生产成本高、工艺复杂且分割效果不稳定的问题,提出以仿射迭代最近点(ICP)算法为核心的基于图像形状配准思想的晶圆分割方法。该方法采用Canny算子提取图像边缘,建立晶圆模板图像与目标图像的特征点集;对目标图像的边缘图像进行基于Hough的直线检测,得到粗略的晶圆矩形边框信息;以矩形左上角的点坐标作为匹配搜索区域的初始值进行基于仿射ICP算法的精确配准,通过晶圆产品图像与模板图像的特征匹配,实现晶圆的快速、准确分割。理论分析及实验结果表明:该方法计算复杂度较低,单独样本分割时间约为0.9s,样本分割精度明显高于其他算法,满足自动化生产线的实时在线检测需求。     

基于梯度直方图的产品表面缺陷图像自适应阈值分割方法研究

为了提高产品表面缺陷检测精度并降低检测成本,文章以E型磁环表面缺陷的自动检测为例,分析了产品表面图像的特征,提出了一种利用梯度直方图信息的图像自适应阈值分割算法.通过实例,与原自适应直方图阈值分割算法和固定阈值分割算法相比较,结果表明:该算法采用可动态调整的形态学梯度算子计算梯度直方图,抗噪能力强;充分利用了图像的边缘信息和缺陷内部灰度分布不均匀的特性,适应性广;算法简单,具有实时准确分割图像的特点.     

基于概率图谱和Random Walker的肝脏三维分割算法

针对腹部CT图像内部结构复杂和相邻脏器灰度相近而导致分割精度较低的问题,提出了一种新的基于概率图谱和Random Walker的三维肝脏分割算法.首先利用大量的由医生分割的肝脏区域图像建立肝脏存在位置的概率图谱,表示肝脏解剖位置信息;然后提出了改进的全自动的Random Walker算法,并建立由Random Walker优化的灰度概率图谱;最后基于该灰度概率图谱从腹部CT图像进行肝脏三维分割.实验结果表明,提出的算法能够有效地进行肝脏区域的分割并具有较好的鲁棒性,与传统算法相比,分割精度得到了明显的提高.     

多特征融合的道路场景语义分割算法

为提升道路场景语义分割的性能以及实际应用性,本文将传统的图像处理算法与深度学习技术相结合,提出了一种多特征融合的轻量级道路场景语义分割网络模型。该模型首先利用颜色空间转化、图像均衡化、边缘检测等算法来对图像多种特征信息进行增强;其次,以深度可分离卷积为基本单元搭建高效率特征提取结构,对特征增强后的图像进行信息融合和提取,并结合跳层上采样操作完成初步分割;最后,引入边缘检测支路来对分割图像的目标边界信息进行细化,保障网络高精度分割。通过实验结果表明,所提网络在分割精度、计算效率上得到了较好的平衡,同时,在实际变电站道路场景应用中,该网络也能实现高效语义分割,为巡检机器人提供有效的道路信息。     

基于图像检测的轨距检测算法研究

为实现实时在线轨距测量,建立车载轨距机器视觉检测系统,对该系统所采用的去噪前置处理、精确阈值分割处理和距离变换等算法进行研究.介绍系统的工作原理与构成,并在分析传统光带中心线提取算法的基础上提出基于PNDT的快速轨道轮廓中心线提取方法;采用强对比度拉伸和指数变换的方法进行图像增强,并结合高斯平滑与动态ROI对图像进行快速去噪前置处理;对图像进行精确阈值分割处理,采用距离变换的方法得到轨道轮廓中心线并准确定位轨距测量点.实验结果表明:该系统检测精度满足-1mm~+1mm,实验室测试的合成不确定度最大为0.52mm,图像帧处理时间为14.35ms.轨距机器视觉检测系统可满足实时在线轨距检测对系统检测速度和精度的要求.     

利用脊线检测实现视网膜图像血管中心线的精确提取

提出一种精确有效的基于脊线检测的视网膜图像血管中心线提取算法,该算法首先对原始图像进行脊线检测得到候选视网膜图像血管中心线,然后对原始图像进行照度均衡和多尺度形态学增强处理,最后对各个尺度增强图像在视场ROI区域内进行Otsu双阈值分割或单阈值分割,并将各个尺度的分割结果求和再与脊线检测结果算术相与得到最终的血管中心线。通过对25张荧光造影视网膜图像以及部分彩色视网膜图像进行测试和分析,该算法不但能够检测出低对比度血管和微小血管的中心线,而且提取的血管中心线整体连续性好。将文中算法的结果与血管手动分割血管的细化结果进行比对分析,中心线吻合率平均达到83.5%,且算法性能优于Hoover算法以及保守专家手动检测结果。     

基于改进的均值漂移算法的高分辨率遥感影像分割方法研究

影像分割是面向对象信息提取的关键,其分割结果的精度高低将对信息提取结果精度产生重要影响。本文在研究均值漂移(Mean shift)算法的基础上,对图像的多维特征向量加以改进。该改进算法先通过改进颜色特征距离公式来对高分辨率遥感影像进行预处理,然后加入纹理特征向量,并设置纹理特征的参数值和迭代次数,进而对高分辨率遥感影像进行分割。文章采用该改进的均值漂移算法对遥感影像进行分割实验,并与业界公认的ecognition软件的分割结果进行对比,实验结果表明:该改进算法得到的分割精度更高,能得到更好的分割结果。     

基于Kinect深度图像信息的手势分割和指尖检测算法

为克服传统二维彩色图像处理算法易受周围环境、光照变化、背景等因素的影响,提出利用Kinect深度图像信息,实现一种快速鲁棒的手势分割与指尖检测算法。首先,根据Kinect得到的深度信息对非人体部分图像进行筛选,得到包含人手的人体图像;然后对当前得到的人体图像进行直方图分析,计算能够区分人手与非人手的阈值,并通过该阈值对人体图像进行分割得到人手图像;最后,对人手图像进行形态学处理,计算掌心位置,并提取手部轮廓,结合人手轮廓关键几何特征对指尖进行有效检测。实验表明,该方法能够实时、有效地对指尖进行检测。     

融合云模型和比重阈值的唐卡破损区域分割

针对唐卡破损区域分割问题,提出了融合云模型和比重阈值提取破损区域的算法。首先获取RGB彩色图像的灰度图、HSV空间的V分量、YIQ空间的Y分量、LUV空间的L分量,合并这四个分量得到融合图像;其次利用云模型过滤融合图像,得到云过滤图像;然后计算云过滤图像的比重度并进行局部比重阈值分割,得到分割结果 1;再分块粗分割融合图像得到分割结果 2和分割结果 3;最后合并分割结果 1、2和3得到分割结果 4,对分割结果 4去除过分割区域,得到最终分割结果。实验结果表明,与一维最大熵法、OTSU算法、数字形态学算法等算法相比,该算法的分割效果较好并具有一定的稳定性。     

考虑反射强度的全自动运行列车障碍物检测算法研究

针对轨道交通全自动运行列车轨行区障碍物检测问题,提出了一种基于激光雷达的且考虑激光反射强度的障碍物检测算法.该算法使用欧式聚类法对点云进行聚类,并结合了自适应的反射强度阈值处理以及体素滤波器、聚类半径差异化等方法,提升算法的障碍物检测速度与精度.实验表明该算法具有良好的检测性能.     

无人驾驶车辆基于语义分割方法障碍物检测

障碍物检测是无人驾驶车辆环境感知重要的组成部分,语义分割技术能够对障碍物进行像素级检测。为满足无人车系统的实时性要求和对障碍物检测精度要求,提出了一种轻量级语义分割模型。该模型构建了特征提取块,通过跳跃层结构将底层级特征与高层级特征相融合,用于提取更加细化的图像特征信息。运用深度可分离卷积代替标准卷积操作,减少了模型参数量和计算量。利用不同膨胀率的膨胀卷积以获取多尺度目标信息,在上采样时融合不同尺度的特征信息,使得语义信息更加丰富。试验结果表明:提出的轻量级语义分割模型在Cityscapes数据集和ApolloScape数据集上取得了较好的障碍物检测结果,同时也满足无人车的实时性要求。