基于H263/TMN8的前后景码率分配及控制

在H263ZI‘MN8的控制技术基础上,提出可控的前后景码率分配算法、前景区优先编码策略以及优化的量化编码次序．可以仅使用一个控制参数来控制前后景的码率分配,并且编码后码流仍符合标准I-t263码流．试验结果表明,该算法在低比特率的情况下视频图像的主观质量要优于TMN8,非常适合窄信道视频通信的应用．     

利用计算机视觉检测家蚕微粒子病的改进研究

在家蚕微粒子病显微图像自动识别图像分割问题中，首先应从显微图像中将微粒子从复杂背景中提取出来．由于显微图像对比度差、光照不均匀及噪音等因素的影响，采用传统的阈值分割方法和边缘检测方法不能顾及到图像局部的实际有用的目标信息，因此很难准确提取微粒子孢子区域．利用数学形态学的方法根据微粒子图像的形状特征来检测微粒子区域，实现微粒子和背景的分割，取得了较好的效果．运用基于遗传算法的BP网络进行了识别和分类，结果证明此方法是有效的．     

基于高斯混和模型与Blob分析的人手定位

在基于机器视觉的手势识别研究中,手势分割与定位是关键技术。本文在分析肤色的颜色特征和人手运动特性的基础上,提出了一种在视频图像序列中实现手势分割和定位的算法。首先结合肤色检测技术和基于高斯混合模型的运动目标检测技术,获得了图像序列的初始手势区域,之后利用Blob技术实现了最终手势的分割和定位。实验结果显示,该方法具有较高的分割和定位准确度。     

基于局部最大熵的多目标图像分割方法

提出了利用图像局部最大熵进行区域增长的多目标分割方法．以局部熵最大值作为目标种子,运用区域增长技术实现多目标分割,用图像的局部熵值相似性判决准则和图像灰度相似性判决准则对复杂多目标砾石图像进行了实验．实验结果表明,用图像局部熵相似性判决准则的图像分割结果优于用图像灰度值相似性判决准则的图像分割结果．     

基于数学形态学的分水岭图像分割方法

在VC.NET的开发环境中,设计了一个实现数学形态学基本分割运算的简易软件.该软件可以选择不同方向和不同形状、大小的结构元并在四邻域或八邻域中实现灰度图像的腐蚀、膨胀和开、闭运算,通过检测相邻象素灰度值的突变获得不同区域之间的边缘并实现了基于数学形态学的边缘检测和滤波,以及分水岭的分割算法.实验结果说明该软件性能稳定、图像分割和滤波效果优良.     

融合图像边缘和区域特征的道路检测算法

利用图像分割技术对车载视频进行图像处理,提取道路信息,以用于智能车自动驾驶.首先,将彩色通道图像转换成灰度图像,并进行直方图均衡化和滤波预处理;然后,利用自定义差分算子和区域生长法,进一步对处理后的灰度图像进行分割,分别获得图像的边缘和区域特征.最后,结合区域和边缘分割的互补特性,提出一个融合两者信息的分割算法,对不同条件下获得的车载视频进行图像分割,实现道路检测.实验结果表明,所提出的方法能够获得边缘精确平滑、区域均匀的道路分割,而且算法具备较好的实时性和鲁棒性.     

基于数学形态学的分水岭图像分割方法

在VC.NET的开发环境中,设计了一个实现数学形态学基本分割运算的简易软件.该软件可以选择不同方向和不同形状、大小的结构元并在四邻域或八邻域中实现灰度图像的腐蚀、膨胀和开、闭运算,通过检测相邻象素灰度值的突变获得不同区域之间的边缘并实现了基于数学形态学的边缘检测和滤波,以及分水岭的分割算法.实验结果说明该软件性能稳定、图像分割和滤波效果优良.     

基于局部最大熵的多目标图像分割方法

提出了利用图像局部最大熵进行区域增长的多目标分割方法．以局部熵最大值作为目标种子,运用区域增长技术实现多目标分割,用图像的局部熵值相似性判决准则和图像灰度相似性判决准则对复杂多目标砾石图像进行了实验．实验结果表明,用图像局部熵相似性判决准则的图像分割结果优于用图像灰度值相似性判决准则的图像分割结果．     

图像分割及其常用的方法

图像分割是图像处理、模式识别和人工智能等多个领域中一个十分重要且又十分困难的问题。本文从原理、应用和应用效果上对经典的图像分割方法如域值分割技术、区域增长和边缘检测等进行了分析,同时对目前图像分割领域中新的技术如分形、数学形态和神经网络技术进行了讨论。分析了图像分割技术研究的方向,以及需要解决的问题。     

一种基于各向异性扩散的图像分割算法研究

针对煤矿井下图像对比度小、纹理不清晰和数据量大等问题,根据各向异性扩散在图像处理中具有良好的边缘保持与增强的作用,提出一种基于各向异性扩散的图像分割算法．首先在图像分割前对原图像进行各向异性扩散运算,在消除原图像噪声的同时,更好地划分了图像的边缘和纹理区域;然后提取图像的纹理特性运用到聚类算法中,从而对图像进行分割．实验证明：与未经扩散处理的分割算法相比,基于各向异性扩散的图像分割算法不仅改善了分割效果,而且提高了计算速度．     

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.     

基于流行排序的前景背景显著性检测算法

为准确提取图像显著区域,提出基于流行排序的前景背景显著性检测算法。首先,采用SLIC(simple linear iterative clustering)方法对经平滑处理的图像进行超像素分割。然后以超像素作为图中节点,采用自适应参数计算节点之间的权重以解决因采用固定值导致的图像效果不理想的问题。其次,在计算背景查询节点时,通过阈值剔除边界超像素中不属于背景的像素,以保留合适的查询节点,避免因显著目标位于图像边界而错把非背景像素标记为背景查询节点的问题。最后,因前景优先方法可以有效抑制背景噪声,而背景优先方法对背景噪声抑制不足,但可均匀突出前景目标。因此,采用相乘或者取平均的方式融合前景背景显著图以得到最终的显著图。在公开数据集MSRA、SED2及ECSSD上与其他算法进行实验对比,实验结果证明了算法的有效性。     

基于改进ViBe的多行人检测方法

利用改进的Vi Be算法及模板匹配方法对多行人场景进行了目标检测.为了提高运动目标检测性能,提出将原Vi Be算法与帧间差分相结合的方法,该方法使二值图像中的鬼影比原Vi Be算法消除更为迅速.根据待处理像素点周围已完成的前背景分离结果,利用动态计算模型参数估计前背景,以提高前景目标提取的准确度.基于HOG算法识别运动目标中的行人目标.实验结果表明,该方法在没有降低运动物体检测实时性的同时,明显提高了算法检测的准确度.     

交通监控系统中基于多源信息融合的运动阴影检测

针对目前运动提取算法常将运动阴影错误检测为前景目标的问题，提出了一种交通监控系统中基于多源信息融合的运动阴影检测算法．在颜色空间中利用亮度、色度和边缘信息检测阴影的可能区域，使用逻辑“与”操作融合多源检测结果得到最终的阴影区域．与其他算法相比，新算法能更好地区分前景尤其是暗色前景及其阴影，提高了阴影区域的检测精度，更准确地实现了运动目标的提取．仿真实验表明，对不同颜色和尺寸的前景引起的阴影，算法都能鲁棒地分离目标及其阴影区域，前景提取效果好．     

Adaptive Contour Model for Real-Time Foreground Detection

A multiscale foreground detection method was developed to segment moving objects from a stationary background. The algorithm is based on a fixed-mesh-based contour model, which starts at the bounding box of the difference map between an input image and its background and ends at a final contour.An adaptive algorithm was developed to calculate an appropriate energy threshold to control the contours to identify the foreground silhouettes. Experiments show that this method more successfully ignores the negative influence of image noise to obtain an accurate foreground map than other foreground detection algorithms. Most shadow pixels are also eliminated by this method.     

一种基于离散小波变换的数字图像认证算法

提出了一种基于离散小波变换的半脆弱水印认证算法。利用小波系数之间的相关性作为图像特征水印,利用小波系数块均值量化来嵌入,在鲁棒性和脆弱性方面达到很好的平衡。该算法能够识别图像的恶意篡改,并定位篡改发生区域,而对通常的图像处理具有一定的鲁棒性。     

Foreground Detection Based on Nonlinear Independent Component Analysis

Motionless foreground objects are key targets in applications of home care monitoring and abandoned object detection,and pose a great challenge to foreground detection.Most algorithms incorporate the motionless foreground objects into their background models because they have to adapt to environmental changes.To overcome this challenge,a foreground detection method based on nonlinear independent component analysis(ICA) was proposed.Considering that each video frame was actually a nonlinear mixture of the background image and the foreground image,the nonlinear ICA was employed to accurately separate the independent components from each frame.Then,the entropy of grayscale image was calculated to classify which resulting independent component was the foreground image.The proposed nonlinear ICA model was trained offline and this model was not updated online,so the method can cope with the motionless foreground objects.Experimental results demonstrate that,the method achieves remarkable results and outperforms several advanced methods in dealing with the motionless foreground objects.     

基于光流法的篮球图像运动块差异自主检测方法

为了解决传统方法在人群密集遮挡情况下无法满足检测要求,以及针对正常运动块的加速度改变,容易误检测为差异运动块的问题,通过光流法研究篮球图像运动块差异自主检测问题。分析光流法方程,通过篮球图像序列中像素强度数据的时域改变与相关性判断运动块像素的变化。通过码本模型对篮球图像前景位置进行提取,避免人群遮挡干扰,在前景位置处找到特征点。获取目标特征点后,通过光流法对运动块进行跟踪,针对全部能够被跟踪的运动块,引入光流运动方向数据;把光流运动方向在相同角度区间中的特征点当成一组数据完成归一化处理,降低对正常运动块的误判断,增强检测精度。对各区间中光流加速度进行高斯滤波处理,把各角度区间加速度累加,将其当成篮球图像加速度,设定累积加速度阈值,在图像块累积加速度高于设定阈值的情况下,认为出现差异情况。结果表明,所提方法能够检测遮挡背景下篮球图像运动块差异,NMI与LODF值均较大。说明所提方法满足遮挡情况下运动块差异检测要求,检测结果准确,不容易出现误检测现象。     

基于图像多尺度分解的前景提取

为了弥补纹理对传统GrabCut提取结果的负面影响,本文分析了图像边缘和颜色分布的尺度特性,结合图像多尺度分解和GrabCut,提出了基于图像多尺度分解的前景提取模型.首先,该模型运用全变分对图像进行多尺度分解得到一系列平滑图像,该分解保护了图像边缘并平滑了纹理,压缩了图像区域颜色的分布范围;其次,将给定平滑图像前景颜色分布表示为高斯混合模型,并运用直方图形状分析方法优化了高斯混合模型的高斯函数个数,弥补了传统固定高斯函数个数的负面影响;最后,根据不同平滑图像的分割结果设计了迭代终止条件,使得从适当的分解尺度中提取前景.与传统前景提取算法相比较,该模型降低了纹理对前景提取的负面影响,其测评分数高于传统算法.     

基于多尺度平滑的前景提取

传统的Graph cuts算法可以有效地提取卡通图像前景,但是对自然场景图像效果差.为了提高前景提取的效果,本文提出了基于多尺度平滑的前景提取模型,联合分割和多尺度特征,从适当的尺度特征中提取前景.运用TV保边平滑模型对图像进行平滑,降低了图像区域的非均匀性,保护了边缘,提高了前景提取的效果.实验结果表明,基于多尺度平滑的前景提取算法降低了非均匀区域对前景提取的影响,其评测分数高于传统的Graph cuts算法.