采用改进OTSU法的焊前焊缝图像分割

图像分割是图像理解与分析的基础。在众多的图像分割方法中,阈值法计算简单,具有较高的运算效率,是图像分割中广泛采用的方法。选取适当的阈值是阈值法的关键。OTSU法(最大类间方差法)被认为是阈值自动选取方法的最优方法之一。由于焊缝图像常出现大面积的灰度不均匀,OTSU方法不能有效地分割出焊缝间隙。在充分分析焊缝图像以及OTSU方法的基础上,提出一种改进的自适应阈值选取方法。实验证明该方法具有较强的自适应性,能有效地分割焊缝图像。

基于积分图像的人体肢体检测算法

为了实现视频序列图像中运动人体肢体的检测,提出了一种基于积分图像和类哈尔特征的检测方法,类哈尔特征(Haar-like feature)因其固有的特点,适用于检测矩形或类矩形的图像区域,积分图像的特点是可以利用类哈尔特征快速定位人体肢体在图像中的位置。积分图像用于表示视频中的原始图像,边缘检测模板与原始视频每一帧进行卷积之后,通过累加计算可以得到该图像的积分图像,然后利用类哈尔算子,根据设定的阈值,即可以准确定位人体肢体位置。实验结果表明:该方法较背景减除法检测人体肢体准确。

涡轮叶片锥束CT重建质量优化

介绍了自主开发的锥束X射线CT检测系统的组成,利用该系统对某型精铸涡轮叶片试样进行了CT扫描与重建,对其叶型轮廓特征实现了三维可视化显示。讨论了透照管电压、旋转轴倾斜校正、投影数量以及滤波等因素对重建质量的影响。通过研究涡轮叶片叶身CT重建质量的影响因素有助于拓展CT技术在叶片检测领域的应用,实现对叶型偏差分析,叶片铸造缺陷的定位和量化以及叶片壁厚的精确测量。

基于自组织神经网络SOM和K-means聚类算法的图像修复

近来自然图像的修复已经成了一个热门话题。提出了一种基于K-means聚类算法的自组织神经网络(SOM),称为SOM-K。它首先利用SOM来训练每一个像素的特征向量,并把一幅图像分层。这样就能把每个破损像素分到每层,同时SOM训练后的输出也通过K-means聚类算法来聚合,分别在各个层中修复破损的像素。最后把修复好的各层溶合到一起。与单独使用SOM相比,SOM-K具有更精确的分类能力。

基于混沌飞蛾扑火优化的膝盖MRI分割算法

由于飞蛾扑火优化(MFO)算法在解决实际优化问题时仍会表现出易陷局部最优、收敛停滞等不足,针对MRI图像较难分割问题,本文提出了一种基于混沌飞蛾扑火(CMFO)的膝盖MRI分割算法.为辅助医生阅片,提高诊断效率和准确率,实验先将膝盖MRI图像选作研究对象,然后将CMFO算法与最大阈值熵相结合应用到医学MRI图像多阈值分割领域.为突出基于CMFO的膝盖MRI分割的优势,引入了SOA,BFOA和M FO算法作对比实验,结果表明:CM FO算法能有效改善M FO的优化性能,而且对膝盖M RI图像分割具有更好的适用性和优越性.