基于自适应对抗学习的半监督图像语义分割

现有的自适应对抗学习方法采用固定惩罚因子在不同特征层进行监督学习,并采用FCN(Fully Convolutional Networks)作为判别器的基础框架,模型缺少泛化能力,在分割较复杂场景时易造成类感染和类漂移。针对该问题,提出了一种学习率自适应的对抗学习的图像语义分割方法。该方法设计了一种类似SegNet结构的网络判别器,采用最大池化进行非线性上采样,既继承了FCN的优势,可以输入任一大小的图像,又保留了相对精细化的特征相关性信息。由于提出的模型可以通过自适应学习率调整对抗损失与交叉熵损失的权值,从而更新生成器的分割网络,所以提高了语义分割的精度;此外,提出的模型在判别器中采用了SegNet框架代替FCN框架,克服了暴力池化问题,且能够将未标记目标数据集的边缘信息引入网络结构中,从而能有效纠正网络的边缘区域,较好地保持图像的边缘细节,从而使分割结果更为精细。在PASCAL VOC2012标准数据集进行实验,并与现有的性能较好的弱监督分割模型相比,实验结果表明:本文模型能够更精细地分割出较复杂背景的目标,有效地缓解类感染和类漂移,并且有效地保留了边缘细节。     

改进的基于二维直方图的最大模糊熵分割方法

针对基于一维直方图的传统模糊熵算法对噪声敏感的问题,提出了一种新的基于二维直方图的最大模糊熵图像分割算法。新算法根据中心像素与邻域均值之间的关系划出二维灰度直方图中的有效区域,并考虑了图像的空间信息,将二维灰度直方图中像素的邻域均值的隶属度与中心像素隶属度相结合,得出新的隶属度计算方法,然后通过最大化模糊熵函数来确定图像的最优分割阈值。通过对实际图像的分割实验,表明了本文算法具有良好的去噪和图像细节保持能力。     

FN—SOM在图像分割方面的应用

文章使用FN-SOM网进行图像分割,它是SOM网的一种改进形式,通过引入虚假邻域的概念来增强SOM网的聚类特性.首先定义每个像素的特征向量,并且以此作为网络的输入向量进行图像的初步分割;再对初次分割后的图像进行融合;最后获得符合要求的分割图像.文中把FN-SOM网络的分割结果和传统的SOM网进行了验证比较,获得了较为理想的实验效果.     

一种改进的模糊聚类算法在图像边缘检测中的应用

提出了一种改进的模糊聚类图像边缘快速检测算法,该算法在利用像素灰度值的同时还考虑了像素的空间信息,基于模糊集合理论将图像从灰度空间映射成一个模糊隶属度矩阵,然后将隶属度矩阵中的元素作为样本进行模糊聚类,从而提取出图像边缘。基于热力学原理选取隶属度函数,通过调节温度系数,实现图像边缘由粗到细的提取。实验证明,该方法在计算速度、滤除噪声、提取边缘等方面均优于C-均值聚类算法。     

两种基于图论的聚类算法改进(英文)

近年来,基于图论的聚类算法被广泛地应用在数据聚类和图像分割之中。聚类任务主要是挖掘一组给定数据隐含的分布规律和结构信息,而图像分割则是将一幅图像划分为若干互不交迭区域的过程。主要讨论两种比较流行的基于图论的聚类算法,即基于有向树的数据聚类算法和基于最小生成树的图像分割算法。创新在于:(1)改进基于有向树的数据聚类算法,将其应用于图像分割;(2)改进基于最小生成树的图像分割算法,将其应用于数据聚类。在人工数据和实际图像数据上的实验结果表明,改进的有向树算法可以很好地分割图像并保留图像中足够的细节,而改进的最小生成树聚类算法能比较好地聚类具有流形结构的人工数据。     

一种图像分割方法的实现

本文基于模糊数学理论中的模糊Ｃ－均值聚类算法，将其思想用于图像分割。通过与其它经典方法的比较，证明了这种方法具有较好的处理效果和较强的抗噪能力。     

基于尺度时间均衡的高速风洞视频测量图像闪烁修正方法

高速风洞视频测量试验环境中，复杂的光照条件容易导致采集的图像序列出现闪烁，影响测量结果的精度。在测量图像中，由于照明变化导致的灰度变化和目标运动、变形引起的局部变化耦合在一起，导致基于仿射变换模型（线性或非线性）的修正方法难以适用。尺度时间的直方图均衡方法（STE）利用尺度空间理论，对各图像直方图中每一个灰度值组成的曲线在时间维度上进行高斯卷积得到目标直方图，再通过直方图匹配获得闪烁修正后的图像。针对日光灯照明下的相机标定板图像、存在运动和变形的风洞模型变形测量试验图像和存在油膜形态变化的油流试验图像开展了应用研究。结果表明，该方法适用于图像序列的全局闪烁修正，与基于模型的方法相比，其修正效果不依赖于基准图像，对图像抖动、局部存在目标运动或变形等干扰因素的鲁棒性强，且方法简单，计算量小，具有较高的工程应用价值。     

用于彩色图像分割的有效特征分析(英文)

提出了一种基于分析特征分割贡献的彩色图像分割方法。该方法不受某一特定彩色空间的限制 ,有效特征的确定取决于所设计的特征编码器对被测彩色图像中各种彩色特征的分析结果。该技术不同于以往的分割技术 ,自组织特征映射被用来构造特征编码器 ,使得编码器能自组织地分析不同彩色图像的有效特征。当合适的彩色特征和初始参数给定后 ,模糊聚类技术被用于最后的分割处理。该方法已经应用于不同类型的彩色图像分割处理 ,实验结果说明了该技术明显优于传统的聚类技术。研究表明 ,特征编码为彩色图像分割的自动化和最优化提供了保证。     

深度图像优化分层分割的3D场景流估计

针对现有基于RGBD数据的3D场景流估计方法,在复杂背景、弱刚性运动以及运动遮挡等情况下计算精度与鲁棒性较低的缺点,提出一种基于深度图像优化分层分割的3D场景流估计方法。首先,利用连续图像序列帧间光流信息对场景深度图像进行优化分层分割,提取图像中运动目标与背景的深度信息。然后,根据深度图像分层结果,利用坐标下降法并结合图像分层技术计算RGBD序列3D场景流。最后,分别采用RGBD、Middlebury以及SRSF等测试图像集对方法的深度图像分层和场景流估计的准确性与可靠性进行综合对比试验。实验结果表明:所提方法针对复杂场景、弱刚性运动以及运动遮挡等类型图像具有较高的场景流估计精度与鲁棒性。     

基于区域的GLRT车辆目标检测方法

基于合成孔径雷达(Synthetic aperture radar,SAR)图像的地面车辆目标自动检测是一项重要的SAR军事应用研究。提出一种基于区域的广义似然比法(Generalized likelihood ratio test,GLRT)的目标检测方法,该方法将GLRT目标检测理论与图像分割技术相结合。首先利用普通图像常用的分割聚类方法从SAR图像场景中粗略地分离出陆地杂波区域和目标潜在区域。然后根据分割结果,分别对两区域数据建立合理的统计模型。最后在背景和目标统计特性都已知的情况下,采用GLRT目标检测方法对目标潜在区域的像素点进行逐一检测,获得更为精确的检测结果。对实际SAR数据处理的结果表明,该方法能有效地从陆地场景中检测出地面车辆目标,且具备一定的精确性和快速性。     

一种新的图像背景自适应分割算法

在对图像分割技术进行综合研究的基础上,提炼出一种以最大类间方差法为基础的图像背景自适应分割算法,此算法根据目标和背景区域的灰度统计量来自动选取最优阈值。还通过仿真与常规的迭代法、四叉树、分水岭的效果图做了比较。     

Ground-Based Cloud Using Exponential Entropy/Exponential Gray Entropy and UPSO

Objective and accurate classification model or method of cloud image is a prerequisite for accurate weather monitoring and forecast. Thus safety of aircraft taking off and landing and air flight can be guaranteed. Thresholding is a kind of simple and effective method of cloud classification. It can realize automated ground-based cloud detection and cloudage observation. The existing segmentation methods based on fixed threshold and single threshold cannot achieve good segmentation effect. Thus it is difficult to obtain the accurate result of cloud detection and cloudage observation. In view of the above-mentioned problems, multi-thresholding methods of ground-based cloud based on exponential entropy/exponential gray entropy and uniform searching particle swarm optimization （UPSO） are proposed. Exponential entropy and exponential gray entropy make up for the defects of undefined value and zero value in Shannon entropy. In addition, exponential gray entropy reflects the relative uniformity of gray levels within the cloud cluster and background cluster. Cloud regions and background regions of different gray level ranges can be distinguished more precisely using the multi-thresholding strategy. In order to reduce computational complexity of original exhaustive algorithm for multi-threshold selection, the UPSO algorithm is adopted. It can find the optimal thresholds quickly and accurately. As a result, the real-time processing of segmentation of groundbased cloud image can be realized. The experimental results show that, in comparison with the existing groundbased cloud image segmentation methods and multi-thresholding method based on maximum Shannon entropy, the proposed methods can extract the boundary shape, textures and details feature of cloud more clearly. Therefore, the accuracies of cloudage detection and morphology classification for ground-based cloud are both improved.     

复杂背景下磨粒显微图像分割

针对DMAS系统中复杂背景下磨粒图像的自动分割问题，根据磨粒图像的相关特征，充分利用领域知识，基于图像分割和边界跟踪的思想，选取了适合磨粒图像分割的最大类间方差阈值法，并结合腐蚀、膨胀等图像处理技术，实现了复杂背景下磨粒图像的有效分割和目标提取。最后算例表明了本方法的简洁有效性。本文研究将对进一步展开磨粒识别和机械设备故障诊断研究工作提供前提和依据。     

基于图像处理技术的自动报靶系统设计和实现

提出了一种通过图像处理技术设计和实现的自动报靶系统。针对靶图像背景颜色对比度大的特点，采用一种基于灰度期望值的图像二值化算法，通过逐步分离的方法，将靶环从背景中分割出来；针对影响靶数精度的主要因素（图像的非线性畸变），将靶数分解为整数与小数两部分。整数部分根据靶图像的物理意义确定，对靶数精度不会造成任何损失；小数部分根据弹孔最内侧点在两条靶环之间的相对位置确定。试验结果表明，用该系统确定的靶数可以     

A New Regularized Minimum Error Thresholding Method

To overcome the shortcoming that the traditional minimum error threshold method can obtain satisfactory image segmentation results only when the object and background of the image strictly obey a certain type of probability distribution,one proposes the regularized minimum error threshold method and treats the traditional minimum error threshold method as its special case.Then one constructs the discrete probability distribution by using the separation between segmentation threshold and the average gray-scale values of the object and background of the image so as to compute the information energy of the probability distribution.The impact of the regularized parameter selection on the optimal segmentation threshold of the regularized minimum error threshold method is investigated.To verify the effectiveness of the proposed regularized minimum error threshold method,one selects typical grey-scale images and performs segmentation tests.The segmentation results obtained by the regularized minimum error threshold method are compared with those obtained with the traditional minimum error threshold method.The segmentation results and their analysis show that the regularized minimum error threshold method is feasible and produces more satisfactory segmentation results than the minimum error threshold method.It does not exert much impact on object acquisition in case of the addition of a certain noise to an image.Therefore,the method can meet the requirements for extracting a real object in the noisy environment.     

三维CT图象自动分割法

计算机断层扫描图象（ＣＴ）和核磁共振图象（ＭＲＩ）是诊断疾病和制定治疗方案与手术方案的主要依据之一，而分割ＣＴ和ＭＲＩ图象是定量分析其平面与三维信息的关键之一。本文先采用三维自适应滤波，在保留图象细节的前提下滤除高斯分布噪声和脉冲噪声，然后根据ＣＴ或ＭＲＩ各断层多阈值二值化图象采用区域自动增长算法实现了三维ＣＴ图象和ＭＲＩ图象的自动分割。最后给出了腹部ＣＴ图象的分割结果，该方法分割精度高，速度快，具有广泛的临床应用价值     

基于最小总体偏差和区域信息Snake模型的图像分割

提出基于最小总体偏差和区域信息Snake模型的图像分割方法。根据最小总体偏差准则，用包含区域信息的变力替换在气球力Snake模型中的恒定力，并应用于图像分割。实验结果表明，该模型与初始轮廓曲线位置无关，能自动分割模糊边界。对于带椒盐噪声的图像，应用该模型也能取得满意的分割效果。     

基于CCD图像的点云区域分割方法

提出了一种新的激光点云分割方法,该方法采用点云与CCD图像外部标定的方法,将点云标定到CCD图像上,然后通过图像分割的方法实现了快速提取感兴趣目标区域内的点云。