基于HSV空间颜色和纹理特征的车牌定位算法研究

车牌识别系统中的一个关键性技术是车牌定位,其准确性直接影响后面的车牌字符分割和识别的效果.当背景与车牌区域颜色相似时,在颜色车牌定位算法中不能正确定位出车牌.针对上述问题,提出一种基于HSV空间颜色和纹理特征的车牌定位算法.该算法首先通过HSV空间变换,使颜色空间具有独立性,从而分割出不同颜色区域;其次,通过车牌区域字符集中且边缘信息丰富的特点,设置字符与字符边缘之间的梯度跳变次数的阈值,在复杂的背景下判断待测试区域是否为车牌区域;最后,通过二值化直方图投影法定位并分割出车牌区域,建立BP神经网络训练识别车牌字符来验证算法的有效性.实验结果表明:该方法能够在颜色相似和背景复杂的情况下正确定位车牌区域,在相同的条件下对比其他定位算法,其识别率达95.06%.

基于主成分分析的轮胎缺陷检测算法研究

针对X光射线轮胎图片中出现的灰度特征缺陷,提出基于主成分分析的轮胎缺陷检测算法.该算法首先通过图像增强技术使轮胎的缺陷特征更加明显;然后,采用主成分分析技术设置阈值,保留整幅图片的主要特征,再通过重构图像将轮胎图片映射到更少的相互正交的向量空间中,将原图与重构图像的像素值矩阵进行差分,得到初步定位的含有缺陷的图像;最后,初步定位的图像经过阈值分割和腐蚀得到只含有缺陷的图像,实现精确定位.对200幅具有不同灰度缺陷形状的X射线轮胎图片进行缺陷检测,实验结果表明:该算法能有效地检测出缺陷所在位置,且算法时效性优于其他算法.

基于深度学习的膝关节CT图像自动分割准确性验证研究

目的自主搭建神经网络架构,利用深度学习技术辅助膝关节CT图像自动分割,并对其准确性进行评估。方法建立膝关节CT图像数据库,对骨性结构进行手动分割标注。自主搭建神经网络架构,并使用已标注的CT图像对该神经网络进行训练并测试,通过Dice系数、平均表面距离(average surface distance,ASD)、豪斯多夫距离(Hausdorff distance,HD)评价该神经网络分割性能,并比较自动分割与手动分割所需时间。5名临床医师参照李克特量表对两种方法分割准确性进行评分,比较准确性差异。结果股骨侧Dice系数为0.953±0.037、ASD为(0.076±0.048)mm、HD为(3.101±0.726)mm;胫骨侧分别为0.950±0.092、(0.083±0.101)mm、(2.984±0.740)mm。自动分割每个膝关节CT图像数据所需时间为(2.46±0.45)min,较手动分割的(64.73±17.07)min缩短,差异有统计学意义(t=36.474,P<0.001)。临床评价显示股骨侧自动分割组评分为(4.3±0.3)分、手动分割组为(4.4±0.2)分,胫骨侧评分分别为(4.5±0.2)、(4.5±0.3)分;股骨侧及胫骨侧两组比较差异均无统计学意义(t=1.753,P=0.085;t=0.318,P=0.752)。结论基于深度学习的膝关节CT图像自动分割准确性高,可以实现快速分割与三维重建,提升人工全膝关节置换术前规划的工作效率。