基于深度对抗网络和局部模糊探测的目标运动去模糊

目标运动场景去模糊问题是一个具有挑战性的病态逆问题,这是因为在动态场景中不同目标和背景区域可能会存在不同的模糊核.现有的基于能量优化的去模糊方法是将模糊图像分割成具有不同模糊度的多层图像,然后对不同的模糊层进行去模糊处理,然而其优化方案往往涉及迭代,耗时又烦琐.针对目标区域与背景区域可分离的模糊场景,结合传统的基于能量优化和基于深度学习方法的优点,提出一种基于深度对抗网络和局部模糊探测的目标运动场景去模糊模型,该模型由三个生成网络组成,用以建模潜在清晰图像、模糊核和模糊图像的权重变量.模型采用深度图像先验(Deep Image Prior,DIP)作为潜在清晰图像的正则化项,使用非对称跳跃连接自编码器生成潜在图像;采用全连接网络(Fully-Connected Network,FCN)生成模糊核.为了准确地获取模糊图像的分割结果,提出三条准则来指导权值变量网络结构的设计.实验结果表明,该方法同其他传统方法相比可以显著地提升重构性能,视觉效果更好.     

基于高斯-马尔可夫随机场模型的运动目标自动分割

提出了一种基于高斯 马尔可夫随机场(GMRF:GaussianMarkovRandomField)模型的运动目标自动分割算法.该算法采用有限高斯混合模型描述视频序列帧差图像的概率分布.在此基础上建立马尔可夫随机场模型,构造系统相应的能量函数.然后通过Metroplis优化算法求解能量函数的最优解,得出标记场,提取出运动目标.实验结果证明,该算法对运动目标分割具有很好的分割效果.     

基于改进粒子群优化算法的图像分割

针对当前主动轮廓模型难实现图像高精度分割的问题, 以获得更理想的图像分割结果为目标, 提出一种基于改进粒子群优化算法的图像分割方法. 首先分析传统主动轮廓模型, 指出其存在的局限性; 然后建立能量最小化控制点的泛化函数, 采用粒子群优化算法对泛化函数的最优值进行搜索, 根据所有的能量最小化控制点实现图像分割; 最后采用标准图像库与传统图像分割方法进行对比测试. 测试结果表明, 相对于传统方法, 该方法能更精准、 快速地分割图像, 并有效抑制图像中的噪声干扰, 可获得理想的图像分割效果.     

基于均值场理论和马尔可夫场的运动目标分割算法

研究了基于均值场理论和马尔可夫场的运动目标分割方法.该算法先对帧差图像进行简单的前背景划分,再采用均值场理论(MFT),建立马尔可夫随机场(MRF)模型,构造系统相应的能量函数.然后通过求取最大后验估计(MRF-MAP),即求最小能量函数,得出标记场,提取运动目标.实验结果证明:该算法能够很好地消除噪声,对运动目标分割具有较好的分割效果.     

结合目标检测的小目标语义分割算法

卷积神经网络(Convolutional Neural Networks,CNN)可以提供比传统分类算法更强大的分类器并且能够自学习得到深层特征,有效地提高了图像语义分割的准确性.然而,基于CNN的语义分割算法依然存在一些挑战,例如在复杂场景中现有较优的方法较难分割小目标.为了解决复杂场景下小目标分割的难题,提出一种结合目标检测的小目标语义分割算法.与现有较优方法不同的是,该方法没有直接利用单个神经网络模型同时分割单幅图像中的小尺寸和较大尺寸目标,而是将小目标分割任务从完整图像的分割任务中分离.算法首先训练一个目标检测模型以获取小目标图像块,然后设计一个小目标分割网络得到图像块的分割结果,最终根据该结果修正整体图像的分割图.该算法提升了语义分割数据集的总体性能,同时能够有效地解决小目标分割的难题.     

特征概率图约束全卷积网络的目标分割

针对全卷积神经网络在图像分割上易出现一些孤立的错分像素点或像素块现象,提出一种新的全卷积神经网络结构模型,并定义特征概率图约束损失函数作为本研究模型的优化目标. 该损失函数衡量了图像中的像素点属于前景和背景概率的差距. 同时,该模型使用新定义的损失函数与常用的交叉熵损失函数的加权组合联合训练网络模型. 在肺数据集和手势数据集的实验结果表明,该网络模型可以减少部分错分的孤立像素点和孤立像素块的出现.     

基于改进C-V模型乳腺癌MR图像分割

在乳腺癌MR图像分割中,传统C-V模型没有充分利用图像边界曲率信息,需要重新初始化水平集函数使其保持为一个符号距离函数(SDF),导致图像分割比较慢,同时目标区域易产生过度分割.为此,通过在传统的C-V模型中引入惩罚能量项和全局边界曲率能量项,提出一种改进的C-V模型图像分割方法,克服了水平集函数需要重新初始化和目标区域易产生过度分割等问题.实验表明,改进的C-V模型对乳腺癌MR图像具有较好的分割效果,分割收敛速度较快.     

基于图像熵的快速Chan-Vese模型分割算法

提出了基于图像熵的快速Chan-Vese模型分割算法.该算法利用实时图像熵自适应计算模型能量函数中的拟合参数以提高分割速度,并通过检测熵在曲线形变过程中的变化来判定曲线演化的稳定态.实验表明.针对含噪严重、目标模糊且边缘不连续的红外图像目标检测,所提出的分割算法可以取得精确、高效的分割结果.     

基于爆破矿石图像分割优化算法的大块率统计方法

矿石图像分割效果受光照条件、目标密集性及边缘对比度低等因素制约，致使大块率统计精度偏低.为此以鞍千矿爆破矿石图像为数据源，首先利用双边滤波算法去除特征增强后的图像噪声，然后分别采用自适应阈值算法和整体嵌套边缘检测(holistically-nested edge detection, HED)算法初步分割矿石图像，再利用形态学和去除连通域算法去除因矿石表面纹理形成的分割孔洞，进一步融合两种分割结果，引入基于距离运算的分水岭算法消除矿石图像欠分割现象，最终实现矿石图像的优化分割.研究结果表明，该方法可有效提高爆破矿石图像分割准确性，实现露天矿爆破大块率精确统计，为爆破效果智能评价提供技术支持.     

控制活动轮廓演化的快速图像分割方法

针对目前图像分割方法较难精确、 快速地实现图像分割的问题, 提出一种控制活动轮廓演化的快速图像分割方法. 首先用外部能量与内部能量加权和作为曲线能量函数, 用封闭曲线外部与内部能量建立活动轮廓波模型； 然后用最优路径移动更新曲线能量, 获取所需图像分割目标； 最后引入粒子群优化算法获取全部初始轮廓点的最优控制点, 根据最优控制点控制活动轮廓演化达到实现目标图像准确分割的目的. 实验结果表明, 该方法的图像分割精度明显高于目前典型的图像分割算法, 提高了图像分割的抗噪性能及图像分割速度.     

基于改进PSPNet网络的古代壁画分割方法

针对传统方法在古代壁画图像分割过程中出现的目标边界模糊、图像分割效率低等问题,提出一种基于PSPNet网络的多分类壁画图像分割模型(PSP-M).模型首先融合轻量级神经网络MobileNetV2,降低硬件条件对于模型训练的限制.其次通过全局金字塔模块,将不同级别的特征图拼接起来,避免了表征不同子区域之间关系的语境信息的丢失.最后利用金字塔场景解析网络嵌入壁画背景特征,减少特征损失的同时提高特征提取效率.实验结果表明,PSP-M模型较传统的图像分割模型在训练精确度上平均提升2%,峰值信噪比(PSNR)较实验对比模型平均提高1～2 dB,结构相似指标(SSIM)指标较实验对比模型平均提高0.1～0.2,实验验证了PSP-M模型在壁画分割方面的可行性.     

顺序统计滤波能量驱动的鲁棒快速图像分割

为了提升图像分割的速度与初始轮廓和参数鲁棒性,提出了一种基于有序统计滤波能量驱动的鲁棒主动轮廓模型。首先用顺序统计滤波的边力函数来代替传统的数据拟合,进一步引入边力函数能量泛函快速自适应地吸引曲线向目标的边界演化。为了有效地调节水平集函数,利用优化后的长度项对曲线进行平滑和缩短,并通过标准梯度下降法将能量泛函最小化。最后实验结果表明提出的方法能够更加快速、准确地分割图像,并且对初始轮廓和参数具有较强的鲁棒性。     

融合注意力机制的PSPnet多目标语义分割

采用加强特征提取网络为MobileNetV2的融合多特征金字塔场景解析网络（PSPnet）来实现复杂场景下的图像语义分割.相对于深度残差网络ResNet50和MobileNetV1,引入了线性瓶颈结构和反向残差结构,利用金字塔池化模块（PPM）来处理不同层级的图像特征信息,并将其进行特征拼接,有效避免了不同分割尺寸下,子区域之间关键特征信息的缺失.在此基础上,引入注意力机制模块,结合通道注意力机制（CAM）和空间注意力机制（SAM）,进一步提高分割精度.实验结果表明：该方法可以提高图像识别的准确率,并节省训练时间.     

航道智能监控系统中运动目标的检测与分割

运动目标的检测与分割是航道智能监控系统中的重要环节,先通过对图像作预处理平滑图像去除噪声,减小波浪对运动目标检测算法的影响,然后利用运动目标检测算法在背景中提取到前景对象,最后通过连通区域标识算法把每个对象用一个外接矩形来标识,从而实现对运动目标的检测与分割。     

基于CV模型改进的磁共振成像图像分割方法

为解决灰度变化缓慢、边缘变化不明显的磁共振成像(magnetic resonance imaging,MRI)图像的分割问题,在CV(Chan-Vese)模型的基础上,改进了CV模型的能量泛函,同时用新的边缘指示函数来替换Dirac函数,优化了CV模型的参数,提高了CV模型的分割精度和分割速度。首先,引入了一个新的局部项。用局部直方图均衡化预处理过的图像与原图像相减得到目标边缘变化较为明显的图像,并将其作为局部项引入到CV模型的能量泛函。然后,由局部项构建新的边缘指示函数。用新构建的边缘指示函数代替Dirac函数,解决了CV模型演化曲线不能检测远离目标的边缘的问题。最后,优化平滑项参数,减少迭代次数提高运行效率。实验结果显示,算法对脑部复发性胶质母细胞瘤的MRI图像具有较好的分割效果。     

基于CV模型改进的MRI图像分割方法

为解决灰度变化缓慢,边缘变化不明显的MRI图像的分割问题,在CV(Chan-Vese)模型的基础上,改进了CV模型的能量泛函,同时用新的g(R)来替换Dirac函数,优化了CV模型的参数,提高了CV模型的分割精度和分割速度。首先,引入了一个新的局部项。通过对图像进行局部直方图均衡化预处理,用预处理过的图像与原图像相减得到目标边缘变化较为明显▽I,将其作为局部项引入到CV模型的能量泛函。然后,由局部项构建新的边缘指示函数。用新构建的边缘指示函数g(R)代替Dirac函数,解决了CV模型演化曲线不能检测远离目标的边缘的问题。最后,优化平滑项参数,减少迭代次数提高运行效率。实验结果显示,本算法对脑部复发性胶质母细胞瘤的MR图像具有较好的分割效果。     

基于TMS320C6416的视频运动对象分割

以DSP器件TMS320C6416为核心构建硬件平台,实现了视频图像采集系统的设计.提出了一种适合硬件实现的运动目标分割算法,完成视频图像中运动对象的分割.为提高视频图像数据处理的实时性,还采用了Ping-Pong数据缓存结构和CCS内联函数实现C代码的优化等技术手段.实验结果表明:该系统能适用于背景相对变化不大的运动目标的检测与分割,而且实时性较好.     

基于区域检测分割的运动模糊图像复原

空间变化的运动模糊图像复原是当今图像处理领域的热点问题之一,而运动模糊区域检测更是其中的重点和难点.针对以往运动模糊区域检测算法的精确度较低的问题,提出基于检测分割的单帧运动模糊图像盲复原算法.结合多尺度感知和闭合型图分割,实现两步模糊区域检测.将检测到的模糊区域外延后进行复原,再将其去除外延部分并与清晰区域拼接,得到最终的复原结果.实验结果表明:本文算法不但显著提高了模糊区域检测精度,也有效提高了图像复原质量.同时,具有一定的普遍性,可以适用于自然场景下的多种空间变化的运动模糊图像.     

一种改进变换网络的域自适应语义分割网络

语义标签的人工标注成本高,耗时长,基于域自适应的非监督语义分割是非常必要的.针对间隙大的场景或像素易限制模型训练、降低语义分割精度的问题,通过分阶段训练和可解释蒙版消除大间隙图片和像素的干扰,提出了一种改进变换网络的域自适应语义分割网络(DA-SSN).首先,针对部分源图到目标图的域间隙大、网络模型训练困难的问题,利用训练损失阈值划分大间隙的源图数据集,提出一种分阶段的变换网络训练策略,在保证小间隙源图的语义对齐基础上,提高了大间隙源图的变换质量.然后,为了进一步缩小源图中部分像素与目标图域间间隙,提出一种可解释蒙版.通过预测每个像素在源图域和目标图域之间的间隙缩小置信度,忽略对应像素的训练损失,以消除大间隙像素对其他像素语义对齐的影响,使得模型训练只关注高置信度像素的域间隙.结果表明,所提算法相比于原始的域自适应语义分割网络的分割精度更高.与其他流行算法的结果相比,所提方法获得了更高质量的语义对齐,表明了所提方法精度高的优势.     

一种非监督道路场景分割方法

针对道路场景分割中训练样本量大、不同类型道路过渡中易产生误分割的问题,该文提出了一种非监督的道路场景分割方法。首先用K均值聚类对第一幅图像进行初始化分割,再用图割法对其进行能量最小化的优化分割,最后用优化后的分割图像重新计算类别中心,用于指导下一帧图像的图割优化分割。实验表明,该方法无需大量训练样本,可以快速地对道路场景进行分割,还能够在不同的道路类型过渡过程中保持很好的分割效果。