基于结构森林边缘检测和Hough变换的海天线检测

海天线是海面环境图像所具有的重要特征之一,海天线的检测对划分海空、海界区域以及目标检测有重要作用.提出了一种结合结构森林快速边缘检测和概率Hough变换的海天线检测方法.首先通过高斯低通滤波来减小海面浪纹、光照反射等局部纹理影响,然后使用已完成训练的结构化随机森林为每个像素贴上边缘标签——二值化,最后通过Hough变换原理拟合海天线.实验结果表明,该方法可以较好地忽略局部干扰边缘,强化边界提取,对复杂海天背景下的海天线检测具备鲁棒性和高准确性.     

复杂海天线区域检测算法研究

分析了红外图像目标特性及背景特性，根据远距离舰船小目标总是出现在海天线附近，在分析海天线特征的基础上，提出了采用最大类间方差法选取灰度阈值检测出海天线的方法，为进一步检测小目标做好了准备．仿真实验结果表明，该方法能够检测出复杂海空背景的海天线．     

海天线上舰船定位算法研究

针对成像型反舰导弹所获光学图像目标的特点,提出了一种海天线上舰船目标定位算法.该算法利用Can-ny边缘检测算法和OTSU算法对图像进行预处理,再利用投影法检测出海天线及舰船图像的上边缘,进而用一元线性回归方程拟合得到海天线方程,最后利用海天线信息定位海天线区域中的舰船目标.实验结果表明,该方法能够有效地确定海天线以及舰船目标在海天线区域中的位置,并且计算量小于已有的方法.     

行均值梯度与直线拟合联合优化的UUV海面红外图像海天线检测

在近海面水下无人航行器(underwater unmanned vehicle,UUV)的红外图像采集过程中,由于波浪起伏引起的高倾斜度、海空背景复杂等原因,红外图像的噪声过大,不利于目标的识别与海天线的检测。为此提出了一种海天线检测的改进方法。首先,将经过中值滤波和非线性增强预处理后的红外图像进行处理,得到行均值梯度图,确定海天线粗略位置;然后对其中的天空区域和海面区域进行滤波平滑处理,平滑二者背景中灰度起伏较大的噪声;最后利用优化的直线拟合法对天空区域和海面区域滤波后的图像进行海天线提取。实验结果表明,该方法可改善海天线位置的检测效果,具有较强的通用性,适用于复杂的海天环境。     

融合注视点预测和流形学习的显著性目标分割

针对现有显著性分割算法在图像背景复杂时先验知识不够健壮的问题,提出一种融合注视点预测和流形学习的显著性目标分割算法,能有效地对复杂场景中的显著性目标进行分割.该算法通过引入注视点先验知识和提取超像素分割图,预测并粗分割场景中的显著性目标;为了进一步提高显著性分割的性能,利用色彩模型(CIE-Lab)空间的颜色对比度表示超像素的特征;通过基于流形学习的方法对粗分割区域进行显著性优化,提高了分割精度.实验结果表明:在处理复杂图像集过程中,相比其他分割算法,该算法性能提高了21.8%,并且在不同环境下的显著性目标分割的鲁棒性更好.     

捷联导引头中基于知识的目标分割方法研究

为了保证处理效率,需要通过图像分割出可疑目标来减少干扰、减少运算,提出了一种基于知识的目标分割方法.将图像区域作为研究对象,结合目标先验知识通过区域划分、特征提取及判定来选取合适的目标分割阈值.实验结果表明:该方法能够克服全局场景的影响,有效地将可疑目标分割出来,提高了系统的实时性,为目标的识别提供依据,同时降低了后面目标识别跟踪的难度.     

基于局部语义上下文的场景分类方法

针对现有方法难以解决复杂场景图像分类的问题,本文提出一种基于局部语义上下文的场景分类方法。该方法将整个图像分割为一系列超像素,从超像素提取局部特征表示图像的局部观察;在观察图像和场景类别标签之间引入表示超像素区域语义的随机变量,通过不同随机变量之间的依赖关系引入局部语义上下文信息,较好地描述了图像观察、图像内容与场景类别标签之间的语义关联度,最后定义判别图像场景类别的目标函数,采用优化方法推断图像的场景类别。在标准图像库进行的实验证明了该方法的有效性。     

基于改进凸包和颜色对比度的彩色图像分割方法

基于特征对比度的显著性检测方法在处理复杂背景图像时,容易将对比度较高的背景区域误判为目标,导致分割结果不准确.为解决上述问题,提出了一种基于改进凸包和全局颜色对比度的彩色图像分割方法.首先以超像素为基本计算单元,根据图像颜色及其空间分布,计算基于颜色对比度的基本显著图;然后利用颜色增强Harris角点得到目标的凸包,并利用FH方法生成的超像素对凸包进行修正,以此为基础计算基于改进凸包的中心显著图;最后将上述2个显著图进行加权融合得到最终显著图,并使用大津法得到图像中的目标.通过在MSRA1000和ECSSD数据集上进行实验,结果表明本文算法相较于其他算法在可视效果和准确率、召回率等评价指标方面有明显的优势.     

采用超像素标注匹配的交通场景几何分割方法

针对交通场景逐像素标注方法计算复杂、模型训练耗时长的问题,提出了一种基于超像素标注匹配的交通场景几何分割方法。该方法无需进行模型训练,根据全局特征搜索一组待分割交通场景图像的相似图像集。对待分割图像进行超像素分割和超像素块特征提取,并利用朴素贝叶斯原理进行似然比计算,根据似然比在相似图像集中进行超像素块标注匹配以实现初次分割。利用初次分割结果计算出一元势,应用全连接条件随机场模型对初次分割结果进行优化。实验结果表明,与传统的逐像素标注方法相比,本文方法的分割正确率和平均召回率分别提高了4%和3%,能够有效地实现交通场景几何分割。     

基于协方差描述子和LogitBoost的交通场景图像分割

针对传统方法直接采用图像特征参与图像分割时存在的特征冗余且分割准确率低的问题,提出了一种基于协方差描述子和LogitBoost的交通场景图像分割方法.采用运动结构特征、纹理和HOG特征描述交通场景,并利用协方差描述子进行特征融合以消除特征冗余;采用多类LogitBoost分类器进行图像分割,提高了交通场景分割的精度.在公共测试视频数据库CamVid中测试和评估了所提出的算法,结果表明了该方法的有效性.     

自然图像中建筑目标提取算法

提出了一种从复杂场景图像中提取建筑目标的算法.首先采用对手惩罚竞争学习方法改进基于图论超像素算法的分割粒度,得到分割效果较好的图像块;然后选择基于空间包络模式的支持向量机对图像块进行分类,区分出图像中的建筑图像块与非建筑图像块;最后通过建筑目标的结构特征验证图像中的候选建筑,提取出图像中建筑目标.在标准图像库进行的实验表明:本算法提取建筑目标的能力优于同类算法,并且满足一般应用的实时性要求.     

结合SLIC超像素和DBSCAN聚类的眼底图像硬性渗出检测方法

为自动检测出眼底图像中的硬性渗出,结合简单线性迭代聚类(SLIC)超像素分割算法和基于密度的聚类算法(DBSCAN),提出一种对眼底图像硬性渗出的检测方法.首先,采用SLIC超像素分割算法对彩色眼底图像进行过分割;然后,采用DBSCAN对上述分割得到的超像素进行聚类,形成簇;最后,分割出目标图像,并选用标准糖尿病视网膜病变数据库(DIARETDB0和DIARETDB1)的眼底图像验证上述组合算法的可行性.实验结果表明:算法能够快速、可靠地检测出眼底图像中的硬性渗出,具有可直接对彩色图像进行分割、特征提取的特点.     

一种混合高斯背景模型下的像素分类运动目标检测方法

运动目标检测在智能视频监控、人机交互、目标导航等诸多领域有着广泛应用.背景减法是运动目标检测中应用较广泛的一种方法.在该方法中,背景建模和阈值化分割是最重要的步骤,直接决定了检测效果的好坏.当目标本身变化比较大时,若利用传统的基于全局阈值的分割法,分割效果并不理想.针对基于全局阈值分割差分图像存在的问题,本文提出了一种基于混合高斯背景模型的像素分类运动目标检测方法.该方法首先利用混合高斯模型对背景建模,克服了场景变化等因素带来的影响;其次,利用背景减法得到差分图像并对像素进行分类,最后对分类后的像素集分别进行阈值化分割,得到前景目标.实验结果表明,与传统的基于全局阈值的分割法相比,本文算法能够获得更好的检测效果和鲁棒性.     

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.     

基于Otsu理论的灰度图像分割算法研究和改进

Otsu算法是利用最大类间方差准则对图像像素进行阈值分割.二维Otsu算法是在一维Otsu算法的基础上提出的,但是其计算量大,且只有当图像每个类的像素数目接近彼此时才能得到满意的结果.对二维直方图重新划分,改变阈值的求解范围,提高分割准确率和减少阈值计算时间.实验结果表明该方法提高分割效率,对含噪声的图像分割效果较好.     

结合图像显著与灰度不一致性的目标自动提取

该文将图像过分割技术与图像显著性相结合,提出了一种基于图像显著性与灰度不一致性的目标自动提取方法。该方法可在没有任何人工干预的情况下准确地提取出图像的感兴趣目标。首先,通过像素不一致性因子和邻域不一致性因子确定出图像的不一致性种子点和一致性种子点;然后,使用等价类划分的方法对两类种子点分别进行生长,得到不同的等价类,合并残余类之后得到图像的初分割块;最后由初分割结果结合显著性检测算法提取出完整的感兴趣目标。考虑到像素的局部邻域信息,首次将图像的底层特征——像素的灰度不一致性应用于图像分割,并以此为基础进行目标提取。实验表明,该方法能够有效地实现显著目标的自动提取。     

粗细粒度超像素行人目标分割算法

针对车载视觉行人目标分割由于复杂场景对行人目标的分割结果产生干扰而出现信息冗余以及错误分割的问题,提出一种粗细粒度超像素行人目标分割算法。该算法以Mask R-CNN作为粗粒度一次分割,将所得结果经Slic超像素细粒度二次分割,融合两次输出结果来提高现有图像目标的分割精度,为行人目标识别和跟踪提供有益先验感知信息。经仿真验证,该算法能够对复杂背景情况下的图像进行有效分割,MS COCO标准公开集测试结果与原有Mask R-CNN检测算法相比,mAP提高0.71%,为图像识别和计算机视觉系统完成精准的预处理,具有较强的工程应用价值。     

一种融合分割和消失点提取的车道线检测方法

针对路面干扰时车道线检测鲁棒性差和消失点检测误差大的问题,提出了一种基于融合分割和消失点提取的车道线检测方法.对获取视频帧图像进行灰度化和高斯滤波处理之后,利用Canny边缘检测算法对图像进行边缘提取.以边缘点最多的一行作为上界划分预处理图像的动态感兴趣区域(ROI),结合大津算法(OTSU)分割出预处理图像的车道线背景,提取车道线信息.采用直线段检测(LSD)算法对ROI区域内车道线标志进行提取,并结合改进的消失点检测方法快速提取车道线.实验结果表明:所提出的方法对多场景下离线照片的平均正检率为97.16％,识别速度为34 ms/帧,能够很好地对多场景下车道线进行快速检测.     

结合边缘检测和区域方法的医学图像分割算法

由于医学图像的复杂性,一般图像分割方法对于医学图像的分割效果并不理想.针对医学CT图像特点,提出了一种把边缘检测和基于区域方法相结合的图像分割算法,首先使用Sobel算子进行边缘检测,检测出目标可能的边缘像素集,并计算该点的平均灰度,然后利用该灰度及目标区域的连通性作为生长判别条件,利用区域生长法实现图像的准确分割.实验结果表明, 该方法避免了单独使用边缘检测或基于区域法进行图像分割时的典型错误,结合了两者的优点,取得了感兴趣目标的良好分割效果.     

复杂交通场景中运动车辆的检测与轨迹跟踪

针对复杂交通场景提出一种基于高斯分布假设的背景图像自回归估计算法,该算法能同时适应白天和夜间光环境,实时性好.对于二值图像的分割问题,提出并论证一种新的连通标记算法,该算法只需遍历像素1次,因此时间复杂度达到了理论上的最小.根据运动车辆的随机过程特性,提出基于Kalman滤波的轨迹跟踪算法,给出状态转移矩阵和观测矩阵,并讨论初始状态矢量的获取方法.为了解决半遮挡混合图块的分割问题,提出了图像相似度的计算方法以及局部图块与全图块相匹配的思想.在实际道路上的实验表明,所提出的方法实用有效,其中车辆跟踪准确率达到95.63％.