基于全局Maxflow邻域生长算法的SAR图像目标分割

提出一种改进的GrabCut算法,利用迭代图割(GrabCut)算法对彩色图像进行分割的特点,在不需要交互式操作的情况下,将SAR图像转化为24 bit BMP的位图进行处理,再结合邻域生长算法实现对SAR图像目标的自动分割.通过对MSTAR和NASA喷气推进实验室的SAR图像进行目标分割实验,结果表明,该算法分割精度高于目前通用的其他算法.     

遥感图像中港口目标识别技术

针对遥感图像中港口目标识别的特点,提出了一种基于纹理特征分类与轮廓识别的高效港口识别算法.该方法首先采用梯度分析方法进行海陆分割,得到水域与陆地的二值图像,并据此提取轮廓,然后利用差分链码标记提取港口轮廓,最后检测与链码拐点有关的三个特性,得到港口基元的识别结果.实验结果表明,该算法能够有效地识别遥感图像中任意方向和任意凹凸的港口目标.     

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。     

复合材料热结构孔隙缺陷表征与分形维数评价

受制备工艺约束，复合材料热结构内部的基体会存在不可忽视的细观孔隙缺陷。本文基于航天材料及工艺研究所制备的热结构CT图像开发了一种能够识别基体细观缺陷的机器学习模型，通过将注意力机制模块与深度学习框架进行结合，利用注意力机制模块能够关注特定预期分割目标区域的特点，实现对热结构CT图像进行图像分割，试验证实本方法能够识别局部细观孔隙等缺陷，提升图像分割的精度。为了定量分析缺陷的几何形貌，本文提出采用分形维数对其进行表征，最后重点研究热结构制造缺陷的形貌定量分布规律。     

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。     

基于FLICM与几何特征组合的缺陷识别算法

针对边缘模糊、对比度低的缺陷图像,采用传统模糊聚类方法容易引起目标聚类错误,阻碍了缺陷特征参数的提取精度,从而引发了缺陷错误分类和降低了缺陷识别率。为此,本文提出了一种新颖的基于FLICM与几何特征组合的图像缺陷识别算法。首先采用FLICM模型分割缺陷图像,以获取图像缺陷区域;其次提取图像缺陷的多类几何特征;最后采用几何特征的参数变量组合识别缺陷目标。实验结果表明该模型提高了疏松、夹杂、裂纹、分层、窜层、气孔缺陷识别率。     

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。     

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。     

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。     

逆向工程中一种新的特征识别算法

从某种角度上说,逆向工程是从已有实物的测量数据点中提取其实体特征再进行模型重建的过程。本文提出了一种新的特征识别算法,其首先采用基于面积和法矢准则的数据分割技术,对测量数据点进行数据分割。然后从特征所包含的分割面(简称特征分割面)中提取能够惟一标识该特征的4种特征编码,分别为:表述特征截面形状的截面编码、描述特征凹凸性的凹凸编码、显示特征二维俯视轮廓形状的轮廓编码以及反映特征二维俯视轮廓是否封闭的开闭编码。最后将这4种编码输入到基于人工神经(BP)网络的自动特征识别系统中,识别出特征类型并提取特征参数,从而实现特征重建。着重研究并实现了从特征分割面中提取特征编码的算法,并验证了算法的有效性。     

汽车牌照自动识别技术研究

提出了一种汽车牌照的自动识别算法：先对图象进行直方图均衡，平滑去噪，二值化预处理，再根据车牌上文字变化特点快速，准确地从复杂背景中分割车牌最后采用投影－变换系数法取汉字，英文和阿拉伯数字的不同维数的特征，送到相应的ＢＰ神经网络中进行识别，较好地解决了汽车牌照的自动畜产     

A REAL-VALUED GENETIC ALGORITHM FOR OPTIMIZATION PROBLEM WITH CONTINUOUS VARIABLES

提出一种用于连续变量函数优化的遗传算法。它由一种简单、适应面广的动态刻度适应值和选择算子、杂交与变异算子，以及这些算子相应的自适应概率组成。该算法经两个常用函数检验，并在图象识别的神经网络权值训练中得到应用。实验结果表明，该算法是一种快速有效的全局优化算法。     

基于前向神经网络的与内容无关的笔迹鉴别

与内容无关的笔迹鉴别是属于图象处理和模式识别领域的一项课题，有着广泛的实用前景。本文提出了一种基于前向神经网络的与内容无关的笔迹鉴别的方法。文中讨论了提取笔迹灰度图象特征和用前向神经网络分类器进行两大问题。对笔迹灰度图提取了3大类18个灰度特征，面前向神经网络分类器由一种新的遗传算法同时优化设计其结构和权重矢量。通过对10人、每人6幅笔迹度图象用18个灰度特征进行鉴别,试验结果显示此方法设计的前向神经网络分类器收敛率高，比常用的最近邻分类器有更高的识别正确率。     

数字图象条纹细化——逐层削取方法

本文提出一种新方法来解决一般性的条纹细化问题,该方法可以广泛地应用于数字图象处理、模式识别、图象测量等技术领域。算法设计中采用了详尽的模块分析方法,所产生的条纹细化计算法非常有效,已经成功应用于激光全息测量——一种图象测量技术。     

基于"SOM脸"的选择性单训练样本人脸识别

基于“SOM脸”计算模型提出一种新的人脸局部区域重要程度度量方法,并用于进行选择性单训练样本人脸识别。从机器人脸识别的角度,并未预先人为设定任何重要区域,而是通过学习来自动发现这些对机器而言相对重要的人脸区域,即包含类信息相对丰富的区域,并将其进行可视化。实验结果表明,在利用了人脸局部区域重要程度信息后,识别算法的性能和效率均得到提高;特别是仅选择人脸图像中若干部分重要的区域用于识别时．在提高识别效率的同时．识别性能来见明显下降。     

基于色彩恒常性的彩色图像增强改进算法

将色彩恒常性算法应用于彩色图像增强中,在分析McCann Retinex算法的基础上．针对迭代参教的选取问题作出了改进。改进的算法基于一种迭代截止条件,对参数进行自适应选取,避免了人工设定,并同时减少了整个算法的运算量。实验结果表明,改进后的算法对彩色图像的颜色、亮度、对比度处理的结果符合人眼视觉系统的感知特性,应用于彩色人脸检测的预处理后,人脸正确检测率提高了1．5%。     

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。     

基于曲率的指尖检测方法

指尖检测是基于视觉的徒手人机交互系统的关键环节,由于背景的复杂性和系统的实时性要求,导致指尖的精确定位在处理速度和准确性方面存在很大问题。本文针对这一问题,提出了一种简单高效的基于曲率的指尖检测方法。该方法首先将输入视频流基于肤色空间进行二值化,并将二值化后的视频序列作为输入数据;然后采用边缘检测算法提取出肤色区域的边缘(肤色区域的轮廓),在肤色区域的轮廓上根据曲率来对类指尖的点进行检测,并且根据类指尖点的位置关系来判定一个肤色区域是不是手;最后通过过滤算法过滤掉误判手臂点。实验结果表明,该方法在不同的应用背景下都具有很好的检测效果,对光照的鲁棒性也较高,并且能够达到实时检测的效果。     

基于多目立体视觉和神经网络标定的表面形貌测量方法研究

针对三维表面形貌的非接触式光学测量是计算机多目立体视觉技术的一项重要应用,但目前还存在相机个数受限、特征点匹配算法复杂与纵向测量精度不够等难题。开发了一种基于多目立体视觉和神经网络标定的表面形貌测量方法,其中包括:使用神经网络完成多目标定与三维重构,在表面投射激光点阵作为图像识别与匹配的特征点,应用蚁群粒子跟踪测速技术进行多相机间相同特征点的匹配。经实验测试,相较于传统基于小孔成像模型进行标定与基于核线约束或互相关算法进行匹配的立体视觉测量系统,所提出的方法可适配具有大光学畸变的场景,能有效提高测量的空间分辨率,深度方向的测量误差在1.0%～2.0%的水平。     

基于PCA-RBF神经网络的浮选过程软测量建模

以浮选过程为研究对象,提出基于主元分析与RBF神经网络相结合的经济技术指标软测量模型,该模型依据工艺机理和经验知识对过程变量进行初选,采用主元分析方法对高维输入向量进行降维化简和辅助变量选择;采用新型混合递推算法对RBF神经网络参数进行优化。该算法包括修正网络中心的自适应聚类的简化型次胜者受罚竞争学习算法和修正网络权值的带遗忘因子的递推最小二乘算法。混合学习算法提高了网络参数辨识的收敛速度。仿真结果表明,软测量模型能很好地实现浮选过程经济技术指标的全局预测。