指纹图像分割算法的仿真与比较

指纹图像分割是指纹识别过程中非常关键的环节,目前指纹图像分割算法都是基于图像的方向特性或灰度特性。本文介绍了常用的三种指纹图像分割的方法,并在VC6.0中分别用三种方法对同一枚指纹处理,最后根据实际图像分割效果对这三种算法进行分析和比较。     

一种基于多模分布的SAR图像分割算法

SAR图像目标、背景、阴影的不同散射机理使得这三部分具有不同的统计特性.分析SAR图像三部分统计性质分别建立统计模型,并给出了一种基于这三种模型组合的多模分布的SAR图像分割算法,对于目标分割和阴影分割分别采用不同的预处理方法,分别提出了快速Otsu分割算法分割目标和基于背景均值保留的冲击滤波算法分割阴影.分割结果表明,这种基于多模分布的SAR图像分割算法与传统的基于单模分割算法相比,能最佳地利用各部分统计特性的差异,得到准确的分割结果.     

基于集成活动轮廓模型的SAR图像分割方法

图像分割是合成孔径雷达(Synthetic Aperture Radar, SAR)图像自动解译技术中的一个重要问题。基于活动轮廓的思想,给出了一种适应于SAR图像分割的集成活动轮廓模型。该模型综合利用SAR图像的边缘和区域特性,通过检测算子提取SAR图像的边缘信息,利用似然函数的最大化提取图像中不同统计信息的区域;通过边缘和区域的共同曲线运动实现对SAR图像的分割。利用加性算子分裂算法,给出了该模型的快速实现方法。通过MSTAR和实测星载SAR数据进行试验验证,并与其他算法比较,结果表明：所提方法适应性强,可适应复杂背景的SAR图像分割,并且分割定位准确、收敛速度较快;所提实现算法稳健,能适应不同参数设置,且对初始条件不敏感。〖JP〗     

基于过渡区的序列图像运动目标分割方法

序列图像运动目标检测技术是目标搜索与跟踪系统的一项核心技术.提出了一种基于过渡区的序列图像运动目标分割方法,该方法通过提取序列图像过渡区来进行目标分割,并与传统的阈值分割算法进行效果比较.实验结果表明,该方法能取得更好的序列图像运动目标分割效果.     

结合邻域聚类分割的高光谱图像异常检测支持向量数据描述方法

支持向量数据描述方法在高光谱图像小异常目标检测中具有较好的检测性能,但是待检异常的几何形状受到约束和背景的选择具有盲目性影响检测效果,且检测需要对整幅图像进行遍历导致计算量大。提出邻域聚类分割和支持向量数据描述相结合的异常检测方法,首先利用邻域聚类方法分割图像,将几何尺寸小的分割块作为潜在异常目标;其次选择与潜在异常的形状和大小相适应的背景窗进行背景像元收集;最后采用SVDD方法从潜在异常中快速且准确地检测出异常目标。对HYMAP图像的实验结果表明,该算法提高了复杂地物背景下异常的检测性能,降低了SVDD用于高光谱图像异常检测的计算量。     

基于CS的SAR图像自动目标分割算法

图像目标分割是SAR图像目标超分辨处理和自动目标识别的重要步骤。针对图像固有的稀疏结构,提出了一种SAR图像自动目标分割算法。通过构造变换字典将SAR图像数据投影到高维空间,实现了图像局部特征的稀疏表示,然后利用随机矩阵获得稀疏域局部特征的压缩采样,并对多组采样数据运用Mean-shift 算法并行处理,最后通过符号检验法,实现了对目标像素与背景像素的分类。试验表明,该算法对硬目标具有较好的目标分割性能。     

基于图论Gomory-Hu算法的SAR图像多尺度分割

由于SAR图像含有斑点噪声,很难有效的分割出精确的结果,为此提出一种新的基于图论的SAR图像分割方法,证明了算法具有最优解,分析了算法的复杂度,验证了算法具有实时性。该算法通过构造多尺度结构快速找到收缩图以及初始图的子图集合,然后对其分别应用Gomory-Hu算法得到对应的等价树,最后根据规则得到初始图的等价树,按照割值由小到大依次去边后,可得到对原图的最优划分,映射回图像则可得分割结果。实验结果说明了算法的有效性和实时性。     

固体发动机CT图像的一种自动分割方法

在分析固体发动机CT图像结构特征和灰度分布的基础上,设计一种集边缘检测、数学形态学、多阈值分割于一体的自动分割方法。用此方法对含有缺陷的固体发动机CT图像实施分割,并利用光线投射体绘制算法对分割结果进行三维重构,经过与原发动机对照,重构结果精确地显示出缺陷的空间位置和分布,证明了所设计的分割方法达到了无损检测的工业标准。     

高分辨率SAR图像分割及目标特征提取

提出了一种非监督SAR图像快速分割算法,对分割得到的目标区域进行特征提取.分割方法利用固体热扩散模型与图像尺度空间的等价性,在SAR图像初始分割的基础上,引入最大后验概率矩阵的各向异性多尺度平滑,在保持图像结构信息的同时滤除斑点噪声对于分割的影响.然后提取目标区域6个特征以详细描述目标,实验结果表明：该方法计算速度快,能够从获得的目标区域得到大量有用的信息.     

基于FPGA的图像锐化处理系统设计

在图像处理系统中,通常需要图像增强技术来提升图像的某些重要信息特征,以便后续处理。本文针对远距离红外成像图像处理系统的算法需要容易硬件实现且视觉效果良好的要求,提出了一个新的算法,即基于统计特性的图像门限增强算法。FPGA首先完成直方图统计,然后通过分析直方图的特性提取图像门限信息,之后根据门限信息进行图像滤波,最后根据门限信息进行直方图均衡。通过FPGA板级系统验证,以上运算可以得到质量较好的数字图像,该方法效果明显,能为后续的目标分割、识别和匹配提供良好的基础。     

Object-based representations of spatial images

Object based representations of image data enable new content-related functionalities while facilitating management of large image databases. Developing such representations for multi-date and multi-spectral images is one of the objectives of the second phase of the Alexandria Digital Library (ADL) project at UCSB. Image segmentation and image registration are two of the main issues that are to be addressed in creating localized image representations. We present in this paper some of the recent and current work by the ADL's image processing group on robust image segmentation, registration, and the use of image texture for content representation. Built upon these technologies are techniques for managing large repositories of data. A texture thesaurus assists in creating a semantic classification of image regions. An object-based representation is proposed to facilitate data storage, retrieval, analysis, and navigation.     

一种新的无人机监控图像实时目标识别算法

提出一种新的无人机监控图像实时目标识别算法。首先将获取的无人机监控图像应用自适应阈值分割将其转换为二值图像。对二值图像进行形态学处理,定位潜在目标出现的位置。最后对潜在目标区域再次应用局部自适应阈值分割获取目标,同时给出每个目标的图像坐标位置。飞行试验表明该算法保证实时性的情况下,有较高的识别正确率。     

基于标准固体火箭发动机CT结构图像配比的缺陷自动提取方法

针对固体火箭发动机CT检测图像因存在算法上的伪影和噪声影响缺陷识别这一问题,提出基于标准固体火箭发动机CT结构图像配比的缺陷自动提取方法。通过缺陷对CT成像影响的理论分析和固体火箭发动机缺陷配比自动提取的仿真和实验验证,得出该方法中配比图像分割最佳阈值为30,以此阈值能有效、准确地提取固体火箭发动机CT图像缺陷。     

固体火箭发动机地面试验故障图像的目标检测

把数字图像处理技术引入到固体火箭发动机地面试验中,为固体火箭发动机地面试验的故障分析提供一种新方法。文中基于开展数字图像处理工程研究的基本思路主线,即图像预处理-图像分割-图像分析及目标检测,进行了固体火箭发动机地面试验图像预处理、固体火箭发动机地面试验故障图像分割和固体火箭发动机地面试验故障图像的喷出物检测的研究。结果表明,数字图像处理技术对固体火箭发动机地面试验图像处理很有效。     

遥感影像弱小目标智能解译算法研究

随着遥感技术的快速发展,光学遥感影像弱小目标智能解译成为遥感信息处理的研究热点之一。遥感影像的地物目标常具有尺度小、种类多、数量大、部分重点小目标移动速度快的特点,易受到复杂背景环境及噪声影响,使得提取遥感影像弱小目标的信息面临着巨大的挑战。早期智能解译算法中的弱小目标分割、检测及跟踪等算法研究,多依赖模板匹配及先验知识,此类算法需耗费大量资源、算力及专家知识成本,存在着计算量大、泛化能力差的问题。近年来,随着深度学习等人工智能技术的快速发展,在海量遥感数据中准确获取弱小目标的信息,通过结合深度学习算法可对弱小目标的特征进行快速提取,以提供高效、准确的解译信息。本文综述了遥感影像弱小目标智能解译算法研究进展,包括基于传统图像处理方法的弱小目标分割、检测和跟踪算法,以及基于深度学习等典型相关算法。通过分析这些方法的优点与局限性,对于提高相关目标的信息获取能力、提升观测的态势感知水平以及未来应用等方面具有重要意义。     

基于空间分割的影像条带噪声去除方法

光学遥感卫星影像中包含系统条带噪声和随机条带噪声,由于多种因素的干扰,即使进行系统条带噪声去除后,仍残留部分随机条带噪声。文章通过分析现有卫星遥感影像中的随机条带噪声特性,基于常规的随机条带噪声去除方法,提出一种新的基于空间分割的条带噪声去除算法。该方法以影像的均值、中值以及梯度值构建判定准则,将影像分为动态范围变化较小的多个区域,同时将地物边缘单独提取出来予以保留;然后采用标准矩匹配的方法对单独区域进行处理,在剔除噪声的同时抑制灰度畸变的产生;最后采用中巴地球资源卫星04星（CBERS-04）数据作为试验对象进行了随机噪声去除试验,试验结果表明新方法在去除随机条带噪声的同时很好的保持了原始影像的纹理信息。