一种适合硬件实现的多值图像连通域标记算法

提出了一种合适硬件实现的多值图像连通域标记算法.算法以有效的方式识别、保存并整理区域之间复杂的连通关系.首先,通过对图像执行一遍逐像素扫描,得到图像的初步标记结果以及初步标记之间的连通关系;然后,通过等价表整理以及图像代换,输出图像标记的最终结果,并且连通域按照扫描顺序被赋予唯一的连续自然数.仿真结果表明,该算法能够识别图像中复杂的连通关系,产生正确的标记结果,在用于大幅图像的分块标记时,能够实现全局标记一致.在以硬件方式实现该算法时,在50 MHz工作时钟下,处理320×256像素图像能够达到100帧/s的标记速度,满足大部分实时目标识别系统的要求.     

一种适于硬件实现的快速连通域标记算法

针对模式识别、计算机视觉和图像处理中常用的特征提取和选择问题,提出了一种适于硬件实现的快速连通域标记算法。首先进行行扫描,判定同一行内连续的前景像素,即游程,并记录游程的起始坐标和结束坐标;然后进行游程标记和等价游程对合并,对上述标记的游程根据连通情况对其赋予临时标记;最后扫描上一行游程,通过检测相应的标志位判断上一行游程是否真正结束,若已结束,将已结束区域信息进行输出,否则继续进行下一行的扫描。使用不同的二值图像进行实验,并与已有算法性能进行比较,仿真结果表明,所提出的快速连通域标记算法在速度和资源需求方面具有明显优势,对图像处理的平均帧率可以达到20帧/s以上,对于分辨率为2 048×1 536像素的图像,需求的片上存储资源约为3.45Mbit,仅为块决策表算法的21.9%、He算法的7.6%左右。     

基于数组型并查集的连通域标记算法

常用的二次扫描算法存在某些缺陷,即共同连通域的合并主要是通过重复遍历共同连通域标号数组,修改相应的共同连通域标号完成的.重复遍历严重影响算法的性能.数组型并查集算法利用树型数据结构特点实现连通域合并,以取代重复遍历.实验表明数组型并查集算法更具优势.     

基于连通域算法的区域测量

基于数字图像处理的原理,提出用八连通域算法对有多个连通区域的二值图像进行面积测量.通过逐行逐列地扫描图像,按照一定的规则标记连通区域,得到对象的个数,同时统计每个区域所含的像素,通过标尺转换可以得出区域的面积.结果表明,该算法能有效地提取八连通区域,可用于计算显微图像颗粒物的面积和粒径.     

基于上下边缘点匹配的连通域搜索算法

基于上下边缘点匹配的连通域搜索算法利用连通域的上下边缘点是一一对应的这一基本原理，设计出新的高效二值图像连通域搜索方法，该算法能在行扫描图像过程中提取连通域。给出了实验分析数据，并与行程标记法进行了时间复杂度的比较，验证了该算法的有效性。     

一种基于“弦”的边界跟踪算法

针对传统边界跟踪算法搜索范围较大、判断次数较多这一状况,在分析了游程编码方法的基础上提出了一种基于"弦"的边界跟踪算法。该算法以弦为搜索单位,不需要扫描所有边界点的八邻域。并且该算法在基于游程编码的连通域标记后可以直接进行轮廓提取,避免了传统边界跟踪算法在连通域标记后要先将连通域转换为光栅图像形式再提取轮廓的方式。实验结果表明,该算法相较于传统的边界跟踪算法,效率有了显著的提升。     

一种紫色土图像的分割与提取方法

【目的】研究紫色土的图像分割与提取，为将来实现机器视觉识别紫色土打下基础。【方法】利用在RGB颜色空间的像素值分布特点，计算多变量条件概率，通过建立优化模型提取颜色特征值的边界，结合分段函数构建分割测度；然后，使用构建的分割测度建立基于密度峰值思想的优化模型，按照两次迭代差异最小化原则，优化局部分割阈值，从多个局部分割阈值中利用类内方差最小化模型获得优化的分割阈值，实现紫色土的图像分割；最后，以像素四邻域连通标记递归算法标记包含空洞的紫色土区域图像的连通区域以消除分割结果中的背景离散区域。同理，标记背景连通区域以填充紫色土区域图像空洞实现图像中紫色土区域的提取。【结果】计算综合评价指标F1、调整的兰德系数ARI和归一化互信息NMI来评价分割提取的结果。试验表明，提出的方法平均分割准确率达96.01%,97.16%和82.02%；与对比方法比较，提出的算法可以更加准确完整地分割与提取紫色土区域图像，最终实现紫色土图像土壤区域的完整分割。【结论】提出的算法是有效的。     

沙粒图像中沙粒粒径的检测与识别

基于小波变换和图像分析理论检测和识别沙粒的平均粒径,使研究风沙运动中沙粒的粒径分布规律成为可能.首先通过小波变换对静态的沙粒照片进行消噪和增强对比度,使之成为可以由Otsu方法和灰度直方图峰值法进行阈值化处理的灰度图像.再将经过以上两种阈值方法处理得到的二值化图像利用八邻域边界跟踪的连通域标号算法对其进行逐行逐列扫描和搜索来确定并提取目标的颗粒数,最终实现对沙粒平均粒径的检测和识别.结果表明,该方法能够满足沙粒粒径识别的精度.     

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。     

局部C V主动轮廓模型快速图像分割算法

经典的C V模型分割算法在处理较大尺寸图像时存在需多次迭代、运算时间长的缺点。在分析图像尺寸和初始逼近图像与获得稳定解的迭代次数与运算时间的关系的基础上,提出了一种改进的基于阈值分割及快速连通域标记算法的局部C V图像分割算法,对大尺寸图像进行处理。采用OTSU算法对图像进行初步的阈值分割,再利用快速非递归连通域标记算法进行连通域的标记及图像的局部分片。对分片后的小块图像以其阈值分割的结果作为初始逼近图像采用C V算法进行分割处理。算法分析及仿真结果证实,与经典C V算法相比较,改进的算法能够以很少的迭代次数和很短的运算时间达到稳定解,能够对含有丰富轮廓细节的大尺寸图像进行快速有效的处理。     

一种二值图像连通区域标记快速算法

由于处理时间和存储空间的限制,常规的区域标记算法往往无法满足实时图像处理的需要。针对这些不足,提出了一种新的二值图像区域标记快速算法。该算法通过结合轮廓跟踪技术,经过一次图像扫描即可完成所有连通区域的标记,避免了大多数改进算法都必须处理的标记冲突问题,此外,本算法不受所标记的区域的形状和面积的影响,能够准确标记任意形状的连通区域,表现出良好的鲁棒性。最后与现存的多种算法进行了比较,实验结果表明该算法是快速和高效的。     

基于稀疏自编码的手指静脉图像分割

针对获取的手指静脉图像不仅包含静脉特征,而且包含噪声和不规则阴影,从而增加了特征提取难度的问题,提出了一种基于稀疏自编码的手指静脉图像分割算法;首先采用传统分割算法对原始灰度图像进行分割,得到一副二值图像(背景像素值为0,静脉像素值为1);然后,以该灰度图像的每个像素点为中心,对其进行图像分块,并将二值图像中对应于中心点的值(0或者1)作为该块的标签,建立训练集合;最后,将训练样本(分块图像和标签)输入到自编码器和神经网络中进行训练,再用训练好的模型对测试图像进行分割;实验结果表明,相比传统的算法,提出的手指静脉分割算法能够有效地对静脉进行分割,提高手指静脉认证系统的认证精度。     

基于跑长码的连通区域标记算法

提出了一种基于跑长码的快速区域标记算法。该算法分为两个相对独立的步骤，第一步对二值图像进行扫描，产生图像中所有目标段的跑长码及初始标记，并得到标记邻接表；第二步对邻接表进行分析产生映射表，并根据映射表内容修正第一步得到的跑长码标记．算法已用于实时目标跟踪系统，取得了满意的结果。     

融合标签局部相关性的标签分布学习

提出了一种融合标签局部相关性的标签分布学习(label distribution learning, LDL)算法,该算法分为3个阶段。初始预测阶段构建多层神经网络模型,将样本的原始特征作为输入、初始预测的标签分布作为输出;局部矫正阶段首先利用k-means聚类算法获得不同类所描述的局部信息,然后针对不同类计算对应的协方差矩阵,利用该矩阵来矫正初始预测的标签分布,获得每个类对应的矫正标签分布;标签融合阶段对矫正后的标签分布进行加权,再与初始预测的标签分布进行融合,得到最终的预测分布。在8个公开数据集上与9种常用的LDL算法进行对比实验,结果表明本文的算法能较好地描述标签局部相关性,在多个主流评估指标上排名靠前。     

基于非负稀疏表示的标签繁殖算法

提出了一种基于非负稀疏表示(nonnegative sparse representation,NSR)的半监督学习标签传播算法.该算法首先构造一个稀疏概率图(sparse probability graph,SPG),其权重由非负稀疏表示算法计算的非负系数组成,自然地反映了各样本之间的聚类关系,避免了传统半监督学习算法中的邻居选择和参数设置过程;然后通过对未标记样本的标签进行迭代繁殖至收敛而获得所有样本的标签.在人脸识别、物体识别、UCI机器学习和TDT文本数据集上的实验结果表明采用非负稀疏表示的标签传播算法比典型的标签繁殖算法具有更好的分类准确率.     

Learning Multi Labels from Single Label——An Extreme Weak Label Learning Algorithm

This paper presents a novel algorithm for an extreme form of weak label learning, in which only one of all relevant labels is given for each training sample. Using genetic algorithm, all of the labels in the training set are optimally divided into several non-overlapping groups to maximize the label distinguishability in every group. Multiple classifiers are trained separately and ensembled for label predictions. Experimental results show significant improvement over previous weak label learning algorithms.     

基于“贴标签”算法的多运动目标分割与标识

针对固定场景中的监控问题,给出一种基于"贴标签"算法的多目标标识方法.通过背景差分和连续帧间差分相结合的方法,检测和分割视频序列中的多运动目标;同时采用"贴标签"算法对检测后的二值图像进行连通成分标识;根据得到的"标签"将不同的运动目标用不同颜色的外接矩形框区分.     

基于相似树的MPLS多播标记聚合算法

为了减少MPLS网络多播标记的占用空间，本文提出了一种基于相似树的求解算法，将与同一共用树相似的多播组进行标记聚合。首先运用模糊聚类的方法生成共用树，然后以共用树为基础进行多播树的构建和组成员的更新。动态多播组成员的变化大多只会造成LER节点类型的转换，不需要重新分配标记。实验结果表明，本算法可以大大缩小MPLS标记的占用，在 元素数量大于最大数量的1/2、相似度阈值 =0.75时，能够将大于50%的多播组进行标记聚合，而平均每组多用的节点数小于0.5。     

流缺失标记环境下的多标记特征选择

在监督学习实际任务中,特征的高维性、标记的动态性和缺失性为监督学习带来严峻的挑战。为解决这些不足,提出流缺失标记环境下的多标记特征选择算法。首先,为解决缺失标记的影响,通过学习标记相关性填补不完整的标记矩阵。其次,利用稀疏学习方法为每个新到达的标记选择类属属性。然后,根据已到达标记的类属属性,通过计算得分选取一个有代表性的特征子集。最后,在11个基准数据集上进行一系列实验表明,所提算法能选择有代表性的特征子集,且分类性能较优。     

基于相似性模块度最大约束标记传播的网络社团发现算法

提出一种基于相似性模块度最大约束标记传播的快速网络社团发现算法(MLPA)。该方法采用结构相似度计算, 通过最大约束标记传播模型更新节点标记, 使社团的划分结果更加符合社团内部结构相对紧密、 社团之间结构相对稀疏的特点, 提高社团划分的精确度。结合标记传播5次循环迭代可以完成95%或者更多节点标记过程的实验结果, 判定标记更新过程趋于稳定, 从而在稳定时停止更新, 降低了运行时间。MLPA避免了传统的邻接矩阵计算方法, 适合大规模网络的社团发现。