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。     

郑州市金融角色的定位

金融分割的广泛存在削弱了金融对地区经济发展的整合功能，从而影响中部的全面崛起，因此中部的崛起离不开区域性金融中心的培育。河南相对于中部其他五省而言，其经济实力与金融发展水平比较高，省会郑州市具备成为金融核心的潜力；从城市间相互作用强度指标来看，郑州市对省内周边城市的吸引强度较高，而对其他省份核心城市的辐射能力较弱；郑州的外向功能量在中部11个城市中居于首位，其城市流强度值排名第三。这些表明郑州市具备一定的金融聚集潜力，但目前主要承担着中原城市群的“龙头”角色，而非整个中部的金融增长级。建议郑州应首先夯实其中原城市群的金融核心地位，并逐步构建成为中部三省（河南、安徽和山西）的区域性金融中心。     

一种新的二维最大熵图象阈值分割方法

根据最大熵原理提出了一种用二维最大熵获取二值图象的新方法，介绍了用梯度－区域灰度均值二维最大熵求取阈值的原理和过程。计算机仿真结果表明，采用本文提出的阈值分割方法，对于直方图平坦的灰度图象处理效果尤为理想。     

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     

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。     

基于形态学梯度矢量的图像边缘提取算法

图像的边缘在很大程度上可以用梯度的概念来解释和描述,而现有的形态学梯度边缘检测算子抹煞了梯度的矢量性。文章提出了一种新的图像边缘提取算法:在边缘检测部分提出了具有方向估计的形态学梯度算子,且从理论和实际应用两个方面给予证明。并将模糊处理加入该系列算子,使这些算子在噪声抑制和提高边缘清晰度两方面均有较好的表现。同时在图像分割部分改进了最佳阈值化分割,利用小范围的边缘梯度各方向上的最佳阈值化进行调整,使图像的边缘更加完整、清晰。     

遥测数据时间序列滑动窗口动态分割技术

经由传感器采集的航天器遥测数据是产品验证、算法检验、数据挖掘等学科和方向重要的数据来源之一。由于原始测量数据采集密度高、信息量大,通常采用滑动窗口技术进行逐段处理和算法应用。但当滑动窗口的宽度固定时,数据的局部信息不能被充分提取出来;为此,提出遥测时序滑动窗口的动态分割流程。仿真结果表明:提出的时序分割和窗口宽度计算方法,可以根据数据自身的特点得到更加准确合理的非等长窗口集合;在保持曲线线段曲率的基础上,滑动窗口动态计算方法可以极大地提取拐点信息,合理地给出窗口宽度,对数据进行了简化与提纯,降低了建模难度,为下一步聚类分析、曲线匹配等工作提供了技术支持,提高了遥测数据的诊断与分析效率。     

TopPixelLoss:类别不均衡的遥感影像语义分割损失函数

针对遥感影像中类别不均衡的小目标分割效果不理想的问题，提出了一种类别不均衡小目标二分类分割的损失函数——TopPixelLoss损失函数。首先计算出每个像素的交叉熵，然后将所有像素的交叉熵按从大到小进行排序，随后确定一个K值作为阈值，筛选出前K个交叉熵最大的像素，最后对于筛选出的K个像素交叉熵取平均，做为损失值。在ISPRS 提供的 Vaihingen 数据集上，使用PSPNet网络与普通交叉熵、FocalLoss、TopPixelLoss三种损失函数分别对车辆进行二分类分割试验。结果表明，不同的K值，使用TopPixelLoss损失函数的平均交并比（MIoU）、F1-score、准确度（ACC）都最高;当K值为5×104时效果最佳，MIoU、F1-score、ACC分别比FocalLoss提高了3.0%、5.0%、0.1%。TopPixelLoss损失函数是一种针对类别不均衡分割非常有效的损失函数     

一种基于语义信息辅助的无人机视觉/惯性融合定位方法CSCD

视觉传感器在无人机室内定位中发挥着重要作用。传统基于特征点的视觉里程计算法通过底层亮度关系进行描述匹配,抗干扰能力不足,会出现匹配错误甚至失败的情况,导航系统的精度及鲁棒性有待提升。由于室内环境存在丰富的语义信息,提出了一种基于语义信息辅助的无人机视觉/惯性融合定位方法。首先,将室内语义信息进行因子建模,并与传统的视觉里程计方法进行融合;然后,基于惯性预积分方法,在因子图优化中添加惯性约束,以进一步提高无人机在动态复杂环境下的定位精度和鲁棒性;最后,通过无人机室内飞行试验对算法的定位精度进行了分析。试验结果表明,相较于传统的视觉里程计算法,该方法具有更高的精度和鲁棒性。     

Visual inspection of aircraft skin: Automated pixel-level defect detection by instance segmentation

Skin defect inspection is one of the most significant tasks in the conventional process of aircraft inspection. This paper proposes a vision-based method of pixel-level defect detection, which is based on the Mask Scoring R-CNN. First, an attention mechanism and a feature fusion module are introduced, to improve feature representation. Second, a new classifier head—consisting of four convolutional layers and a fully connected layer—is proposed, to reduce the influence of information around the area of the defect. Third, to evaluate the proposed method, a dataset of aircraft skin defects was constructed, containing 276 images with a resolution of 960 × 720 pixels. Experimental results show that the proposed classifier head improves the detection and segmentation accuracy, for aircraft skin defect inspection, more effectively than the attention mechanism and feature fusion module. Compared with the Mask R-CNN and Mask Scoring R-CNN, the proposed method increased the segmentation precision by approximately 21% and 19.59%, respectively. These results demonstrate that the proposed method performs favorably against the other two methods of pixel-level aircraft skin defect detection.