结合超体素与颜色信息的区域生长点云分割方法

为解决传统区域生长点云分割算法存在的欠分割和过分割现象,提出一种结合超体素与颜色信息的区域生长点云分割方法。在分割过程中加入超体素过分割步骤,避免直接从点云中分割数据,有效消除噪声和异常值对分割的影响,利用一种几何和颜色信息的联合准则合并超体素并进行区域生长。与深度学习方法和其它3种传统分割算法相比,分割效率和精度都得到了较大提升,解决了欠分割和过分割的问题。

改进的区域生长算法在三维激光点云识别岩体结构面中的应用

交错分布的结构面构成了岩体中的薄弱部位,准确高效的岩体结构面识别和特征信息提取可为岩体稳定性评价提供重要依据。三维激光扫描技术可以极大地提高结构面勘测效率和精度,但目前主流的点云分析算法存在结构面边缘识别模糊、点云分割准确性不能满足结构面特征信息提取精度等问题。因此,考虑岩体结构面点云位置与其邻域的空间关系,利用KD-tree数据结构进行最邻近搜索的体素下采样,在稳健随机Hough变换的基础上改进了区域生长算法,通过多特征值对区域生长分割参数进行修正,依据点云法向量差值和特征终值进行结构面分割,实现了结构面产状、间距、延展度信息的提取。研究结果表明:与传统的主成分分析法和随机抽样一致法相比,在室内块体模型组成的24个结构面中,该方法在相同区域具有更高的识别率和准确率,既能在复杂变化的平面区域保证数据的完整识别,也能在平面的尖锐位置较好地分割边缘点云。利用该方法可以将24个结构面分为6组,并在识别数据中获取对应的结构面特征信息,与实际测量结果相比,角度信息误差约为1°,距离信息误差1cm以内。利用该方法在长江干流蟒蛇寨斜坡岩体中成功识别出3组结构面同时计算各组结构面间距与延展度信息,并采用赤平投影图分析不同结构面组对斜坡稳定性的影响。所提出的方法在室内模型及现场斜坡验证效果良好,可以为岩体结构面识别分割提供稳定且有效的技术支撑。

基于区域生长的侧扫声纳海底线追踪算法

针对当前侧扫声纳海底线自动追踪存在有飞点、连续性较差、易受噪声影响等问题,通过分析侧扫声纳海底线形成机理及图像特征,提出了基于改进的区域生长法的侧扫声纳图像海底线追踪方法,首先利用控制生长方向方法优化区域生长法计算复杂度高、效率低的问题,在提高追踪效率的前提下抗干扰能力也得到了有效加强,然后利用大滤波核中值滤波方法在保留海底边界特征的同时提高海底线连续性,最后利用二次区域生长方法针对性消除航迹线对瀑布图海底线的影响。通过对该方法进行研究和实验,成功实现了海底线自动追踪提取。在秦皇岛附近海域开展现场测试,论证了与传统阈值法提取海底线相比,提出的新方法在抗噪能力、连续性、普适性等方面都具有更好的效果。

自适应区域生长的复杂曲面点云分割方法

机器人自动加工复杂曲面之前,需要对待作业目标曲面进行区域划分,以适配不同的工艺参数。针对现有方法分割复杂曲面点云产生的过分割和欠分割问题,提出一种自适应区域生长的复杂曲面点云分割方法。首先,设计基于动态平滑阈值的自适应生长准则,用于复杂曲面对象的点云分割,以减少过分割现象;其次,提出欠分割判断准则,以判定分割后的点云集,过滤出欠分割区域;然后,将欠分割区域重分割,直到不存在欠分割区域;最后,以扫描陶瓷洁具素坯得到的复杂曲面点云为实验对象,测试了提出方法对复杂曲面点云的分割效果。实验结果表明,提出方法的分割精度达92.63%、召回率达98.89%、综合评价指标F1分数达95.66,能有效且完备地分割出复杂曲面点云的各个区域。

基于区域生长法的无人机和无人船一体化测绘技术研究

针对控导工程监测过程中采用的传统水下高程测量方法存在操作人员多、安全隐患大等问题,以神堤控导工程12坝—20坝为例,采用无人机、无人船等非载人式勘测技术,对河道水上地形和水下地形展开同步测量。引入坡度因子对区域生长法进行改进,以目视解译方法识别的林木区域为基准,分析对比区域生长法和考虑坡度的区域生长法的识别准确率。采用自然邻域法对水下地形数据进行插值并与水上地形数据融合,得到神堤控导工程水上水下数字高程模型(DEM),并与工程三维视图进行对比。结果表明:利用无人机和无人船一体化测绘生成的DEM成果,满足有关技术规范的要求,具有较高的精度;采用考虑坡度的区域生长法识别控导工程的防浪林和行道林,识别正确率达92.47%。

基于区域生长的非结构巷道点云去噪方法

目前针对地下巷道点云去噪研究未完全满足巷道点云的特殊去噪需求,尤其是在狭长、密闭且复杂的地下巷道环境中,未能充分应对管壁附属物、粉尘和人为噪声等因素造成的挑战。通过分析井下非结构场景和传感器误差,考虑行人、移动设备和管网带来的噪声,提出一种基于区域生长的非结构巷道点云去噪方法。利用三维激光扫描技术获得井下巷道场景的3D点云信息,并分析其中由于井下非结构场景和传感器误差造成的异常点,以及行人、移动设备和风/水管网形成的噪声特点;利用k维树(kd-tree)构建点云的拓扑关系,选取适当的种子节点和生长准则,设定合适的曲率和角度阈值,通过区域生长算法实现巷道点云的有效分割,去除未加入分割区域的离群点云;根据噪声特点,基于巷道点云区域分割结果进一步去噪优化。试验结果表明:对于巷道中存在行人、设备等特征的情况,建议将区域生长算法的角度阈值设定为10°左右,曲率阈值设定为3左右;在实际应用中,应平衡数据量的减少与去噪效果,以确保数据处理的有效性,同时提高数据质量;采用基于区域生长的非结构巷道点云去噪方法进行去噪时,点云数量减少幅度介于SOR滤波器和低通滤波器之间,能有效移除行人、设备等噪声。

改进区域生长算法的海洋航道浅剖底质层界智能识别

海底勘测对海洋资源开发利用保护、海洋工程建设和国防安全等具有重要意义,浅地层剖面仪是一种能够勘测海底浅表层底质分布的声学设备,目前剖面仪的底质识别精度取决于操作者的主观性,可靠性较差,为提高效率和解译精度,需进一步研究底质层界自动识别模型。本文提出了适用于海底底质层界识别且不需要人工干预的区域生长改进算法,即在灰度映射和噪声剔除研究的基础上,研究根据迭代最大类间差算法提取图像层界骨架信息,将骨架信息作为初始生长点位,以流变特性修正生长指向,结合灰度加权映射曲线和峰谷波长约束生长邻域,通过本文算法分割层界,提取边缘、连接成线,从而实现海底底质层界识别。连云港港航道浅剖实测数据试验证明,本文算法能够有效识别底质层界,且识别精度达到厘米级,满足海底底质解译分析要求。

基于区域生长优化的水利工程设施点云单体化研究

水利工程中输变电设施安全监测是保证水电站安全运行的重要环节,其中基于点云的变形监测需要准确分割出各种输变电设施。为此,通过对三维点云进行降维处理,获取水利工程设施的二维点云图像,基于区域生长算法和点云单体化算法实现分割工作。同时在区域生长算法的基础上提出了一种旋转角度优化算法,通过旋转三维点云数据,得到易于分割的最优角度点云图像,提高了区域生长算法的精度和速度。为验证旋转角度算法的精度,设计了仿真试验分割立柱点云,试验结果精确率达98%以上,表明旋转角度算法可应用于结构点云单体化领域。实际水利工程应用结果表明,所提方法可有效解决普通像素图像过分割的问题,能准确分割水利工程不同区域及设施。

基于模糊区域生长的医学图像分割

针对肺部图像的特征,论文提出了一种基于模糊隶属度的区域生长的图像分割方法。首先,对原图像进行预处理,并将其二值化;其次根据二值图像确定不同区域轮廓,计算不同区域的质心;再次,根据标注图像自动获取目标区域的质心将其作为区域生长的种子点;最后利用隶属度函数计算种子点邻近像素点的隶属度,根据其隶属度的大小进行区域生长。实验结果表明,论文提出的方法与传统区域生长方法相比能够缓解过分割或者欠分割现象,分割精度比传统方法提高了21.88%,可以分割出更清晰的目标区域,为今后的临床诊断提供帮助。

基于改进区域生长法分割CT图像肝肿瘤的研究

针对腹部内存在组织器官多、解剖结构复杂、组织器官边界模糊等特点,该文提出改进区域生长法分割CT图像肝肿瘤。算法根据肝肿瘤CT值与正常肝组织CT值差异遍历整幅图像预判种子点位置。种子区域的生长结合局部区域像素的均值和局部区域像素梯度均值。通过对不同类型的CT图像肝肿瘤进行分割,并以面积迭代度和误分率评判分割效果。研究结果表明,改进算法的面积迭代度是0.98±0.16、误分率是0.08±0.03,明显高于传统区域分割法(面积迭代度是0.78±0.32、误分率是0.35±0.18)。因此,改进区域生长法可以较好地实现肝组织中感兴趣区域的提取,并保持肝组织的完整,为后续肝脏肿瘤的三维重构和外科手术治疗提供准确的临床数据。

基于区域生长的肝影像分割系统的设计与研究

提出一种基于区域生长算法的肝脏CT影像分割方法,以减少在肝脏医学影像分割中由于对感兴趣区域分割不完整或过度分割导致的临床诊断失误问题。采用区域生长算法的邻接连续阈值法,实现对肝脏CT图像的分割,选取合适的种子点并在各个方向按照提前规定好的生长准则对各个像素点进行筛选分类,分割出感兴趣的区域,使用近百张不同的肝脏CT图像对算法进行训练和测试,完善在此技术之上开发出的系统功能模块。经过测试后,其分割成功率较高,几乎可以准确快速地分割出肝脏CT图像中感兴趣的区域,为临床医学中肝脏处病灶诊断提供可靠依据,避免诊断失误,具有实际应用意义。

基于区域生长的肝脏影像分割系统设计

目前,在临床治疗中对肝脏类疾病进行诊断治疗仍需要医生根据临床经验手动对腹腔CT中的肝脏影像进行分割,该方法综合效率低,且十分容易受到外界因素的影响.随着计算机技术的不断发展,使用医学影像技术对腹腔CT进行肝脏影像分割为肝脏影像分割提供了全新的思路.该文将区域生长法与图像处理方法进行了创新融合,设计了一个新型肝脏影像分割系统.测试结果表明:该系统对于不同患者、不同角度的腹腔CT图像,可以做到高效、完整的肝脏影像分割,适用性广泛.

基于区域生长的三维彩色点云建筑物立面结构提取方法

三维彩色点云在具备坐标属性的同时还蕴含了丰富的纹理信息,在表达建筑物整体框架的同时兼具了精细的建筑结构。如何从富含纹理的彩色点云数据中提取出更加准确的建筑物立面结构信息是三维建筑建模领域研究的重点。为此,在线段检测的基础上,提出了一种基于区域生长的三维彩色点云建筑立面提取算法,利用输入的三维彩色点云,执行3个步骤来提取三维结构线段。首先,通过区域生长技术将建筑点云分割成数块三维建筑平面;其次,将分割后的建筑点云依次投影到二维平面,构建图像点云模型,并提取图像的建筑立面结构得到二维结构线段;最后,将这些二维结构线段重新投影回三维空间中,获得相应的三维建筑物立面结构。结果显示,该方法可以有效、准确地提取出建筑物立面的完整结构,并通过定量评价和实验对比分析证明了该方法的优越性。

基于数据压缩的超快速区域生长的图像分割算法

介绍了一种基于数据压缩的超快速区域生长图像分割算法,旨在显著提高图像分割的效率和准确性。传统的区域生长算法在处理大规模图像时通常受计算复杂度和时间方面的限制。为解决该问题,引入数据压缩策略,通过降低数据维度来实现更快速的区域生长。首先,采用先进的数据压缩算法处理图像数据,在有效减小数据体积的同时保持图像质量,为后续的区域生长提供了高效的数据基础。随后,设计了一种快速而准确的整合区域生长算法,考虑了图像特征和邻域关系,实现了对目标区域的迅速和精准识别。实验证明,该方法在提高处理速度的同时保持了分割准确性,尤其在大规模图像处理方面表现显著。基于数据压缩的超快速区域生长方法具有广泛的应用潜力,特别在半导体检测领域,为图像分析和处理提供了高效可行的解决方案,进而为图像分割技术的进一步发展提供了宝贵的见解和方法。

基于区域生长的金属超声图像缺陷检测

针对超声成像图像中受噪声等因素的影响导致金属零件缺陷识别的精度下降的问题,提出一种改进的区域生长算法的金属超声图像缺陷检测方法。首先进行基于注意力机制的初始种子选择;其次基于聚类的图像灰度均值实现种子区域生长准则;再运用基于区域灰度梯度的改进合并准则完成对金属超声图像的背景去除和缺陷的识别。对于传统的区域生长算法而言,此算法可减少种子的初始选取的影响,且不会出现分割空洞。对比Otsu(最大类间方差)阈值分割法、聚类分割法等经典算法,此算法在识别精度上更具优势。

基于区域生长和融合特征SVM的涂胶缺陷检测

针对传统的涂胶工艺缺陷检测精度低、效率低的问题,文章提出一种基于区域生长和融合特征支持向量机(support vector machine,SVM)的涂胶缺陷检测算法。首先对图像进行预处理操作;然后通过改进的快速细化算法提取涂胶区域,将去除毛刺后骨架特征作为起始生长种子,为改善分割不完全现象,采用中心像素加权灰度和区域自适应阈值生长准则分割出完整的涂胶区域;最后结合改进边缘梯度特征和区域纹理特征的优点,将改进的梯度方向直方图-多半径局部二值模式(improved histogram of oriented gradient-multi radius block local binary pattern,IHOG-MBLBP)融合特征送入SVM多分类器进行训练,实现对涂胶区域缺陷的精确检测。经过实验验证,所设计的缺陷检测算法能够精确地提取骨架并分割出完整的涂胶区域,对于涂胶缺陷具有较高的检测精度和效率,能够满足工业生产需求。

基于区域生长与区域覆盖比的红外弱小目标检测

为了提高复杂背景下红外弱小目标的检测能力,提出了一种基于区域生长与区域覆盖比的新方法。本文中主要针对目标的三个特征:1)目标的最大灰度值与邻域背景之间存在较为明显的灰度间隙;2)目标在局部范围内具有较高的灰度值;3)目标像素分布较为紧凑,建立了一种新的小目标检测算法。首先,对原始图像计算局部对比度并筛选出候选种子点。其次,对每个候选种子点在原始图像上进行阈值区域生长算法并计算得到区域覆盖比(RCR)。然后,使用自适应尺寸的三层窗口计算得到自适应灰度差(AGVD)。最后,采用阈值分割方法分离出真实目标。通过在真实测试数据集上的实验表明,与现有算法相比,所提出的算法具有较高的检测精度和较低的虚警率。

融合图像边缘的区域生长点云分割算法

为了解决传统区域生长点云分割算法因种子点选择不当或者生长策略设计不当导致的欠分割或过分割现象,本文提出利用图像中目标对象边缘得到目标点云边缘点作为种子点的区域生长点云分割算法.首先通过激光雷达与相机联合标定融合采集到的点云与图像,然后根据图像中目标对象边缘以及图像与点云的映射关系提取出目标对象点云的边缘点,接着以边缘点为种子点,根据边缘的性质设计出相关的生长策略,最后进行区域生长分割得到目标点云.实验结果表明,相比其它三种主流点云分割算法,本文算法可以从数据量大的稠密点云中以高精度分割出目标点云,并且有效避免欠分割与过分割现象.

基于区域生长顺序聚类-RANSAC的水稻苗带中心线检测

为提高水稻苗带中心线检测的适应性和实时性,满足巡田机器人导航的低成本、轻量级计算、高实时性需求,针对水稻苗带中心线检测结果容易受到光照变化和机器震动等原因产生图像噪声影响的问题,该研究以返青期和分蘖初期水稻秧苗为研究对象,提出基于区域生长顺序聚类-随机抽样一致性算法(random sample consensus,RANSAC)的水稻苗带中心线检测方法。首先,对采集的水稻秧苗图像运用归一化超绿特征法(excess green,ExG)和最大类间方差法(Otsu)分割水田背景和秧苗区域,应用先腐蚀后开运算的形态学方法去除秧苗图像噪声点;然后,采用基于水平带的秧苗轮廓质心检测方法提取秧苗特征点,利用区域生长顺序聚类方法将同一秧苗行的特征点聚成一类;最后,通过RANSAC算法拟合苗带中心线,从而得到巡田机器人视觉导航基准线。试验结果表明:该方法对返青期和分蘖初期水稻苗带中心线检测率均在97%以上,比已有YOLOv3算法提高6.12个百分点,比基于区域生长均值漂移聚类算法降低2.41个百分点;平均误差角度为2.34°,比已有YOLOv3算法高1.37°,比基于区域生长均值漂移聚类算法低0.12°,平均每帧图像检测时间为15.53 ms,比已有YOLOv3算法缩短81.19%,比基于区域生长均值漂移聚类算法缩短82.74%,本文方法在保证检测精度的基础上,大幅提升了检测速度,具有良好的适应性和实时性。研究结果可为巡田机器人视觉导航提供参考。

基于深度学习和区域生长算法的分光器端口检测方法

针对现有检测方法存在目标识别耗时长、识别准确率低的情况,提出了一种基于深度学习和区域生长算法的分光器端口检测方法。通过YOLO目标检测算法和颜色提取计算,可快速识别分光器端口和标签区;通过区域生长算法,实现准确分割目标尾纤区域的目的。经试点数据表明,提出的分光器端口检测方法可以对分光器尾纤不端正导致识别不准确的情况进行修正,能有效提升端口检测效率和识别准确度。