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.     

基于Curvelet和小波变换的纹理图像识别

提出了一种基于Curvelet变换与小波变换相结合的纹理图像分类算法.小波变换在分析点奇异信号时具有良好的性能,而Curvelet变换更适合分析图像中的曲线或直线状边缘特征.算法通过提取两者分解子波段的统计学和灰度共生矩阵特征,采用支持向量机对纹理图像进行分类.实验结果表明,和单一的多分辨率变换特征提取相比,该算法具有更高的分类准确率.     

基于凸包计算和颜色特征的显著性检测算法

针对传统的显著性检测算法存在区域亮度不够、显著区域不准确、有背景噪声等问题,提出一种基于凸包计算和颜色特征的显著性检测算法.考虑到图像在不同的颜色空间中颜色取值范围不同,首先,在多种颜色空间经过超像素分割得到区域对比图;然后,在CIELAB颜色空间中得到平滑的通道差值图;其次,利用颜色增强的Harris形成凸包得到中心先验图以及凸包结构图;最后,将4种显著图特征融合并优化得到最终显著图.新算法更加接近人工标注图的结果,不仅能够从背景中分离出显著物体、抑制背景干扰和凸出显著区域,而且获得全分辨率的显著图.在公开的图像数据集上将新算法与其他现有8种显著性检测算法进行对比,实验结果表明,新算法优于其他算法.     

基于混沌飞蛾扑火优化的膝盖MRI分割算法

由于飞蛾扑火优化(MFO)算法在解决实际优化问题时仍会表现出易陷局部最优、收敛停滞等不足，针对MRI图像较难分割问题，本文提出了一种基于混沌飞蛾扑火(CMFO)的膝盖MRI分割算法.为辅助医生阅片，提高诊断效率和准确率，实验先将膝盖MRI图像选作研究对象，然后将CMFO算法与最大阈值熵相结合应用到医学MRI图像多阈值分割领域.为突出基于CMFO的膝盖MRI分割的优势，引入了SOA，BFOA和MFO算法作对比实验，结果表明:CMFO算法能有效改善MFO的优化性能，而且对膝盖MRI图像分割具有更好的适用性和优越性.     

基于遗传算子改进阈值的遥感图像分割算法研究

针对复杂背景遥感图像分割准确率不高的问题,提出了一种基于遗传算子改进阈值的遥感图像分割算法。通过对遗传算法中选择、交叉、变异等算子的优化设计,增强变异的多样性,加快搜索的收敛速度,以获取遥感图像分割的最佳阈值。实验仿真结果表明:该算法降低了阈值搜索时间,同时取得了良好的图像分割结果。     

高分辨率遥感影像中小尺度梯田纹理信息的增强与提取

梯田是我国山区丘陵地带重要的农业用地,历史悠久,意义重大。高分辨率遥感影像中梯田具有明显且独特的纹理信息,基于对象的纹理特征提取梯田可以改善"同谱异物"和"同物异谱"的现象。从空间域和频率域两个方面入手,运用空间卷积滤波和快速傅里叶变换对选取的小尺度且具有代表性的梯田纹理进行平滑去噪和边缘增强的处理,以克服干扰地物和无用信息的影响,充分保留梯田对象,在此基础上进行梯田对象的提取。梯田纹理的增强提高了梯田提取的精度,但以小尺度的梯田作为研究对象对大范围的梯田提取存在局限性。     

边缘细分的动态参数模糊C-均值图像分割算法

针对传统模糊C-均值(FCM)算法应用于图像分割时抗噪性差、分割精确度低等问题,该文提出一种边缘细分的动态参数模糊C-均值图像分割算法。对噪声图像进行局部灰度压缩并细分边缘像素信息,增强边界像素可分性。提出空间聚集度概念,更新像素隶属度,并设计滑动掩膜将像素细分为信息点、噪声点及边界点。根据像素类别引入动态参数,调整各自权重以增强算法自适应性。根据邻域像素聚类结果重新划分中心像素类别以提高算法聚类的容错率。采用3张图片进行算法性能测试,将该文算法实验结果与FCM_S1、FCM_S2和菱形邻域窗模糊C-均值(FCMD)算法实验结果进行对比。实验结果表明,该文算法除了对测试图像Cameraman的分割效果略显不足外,其余情况下的分割效果均优于其对比算法,划分系数V_(pc)可提高0.019 3～0.052 9,划分熵V_(pe)可降低0.026 9～0.094 4。