Log Gaussian Cox场手部指节的图像偏移特征学习与识别

针对手部指节图像结构特征模糊与建模困难的问题,以Log Gaussian Cox随机场为图像建模基础,给出了随机图像上偏移特征的抽取与学习方法,实现了手部图像中指节的识别。在缺乏Cox过程图像模型先验假设的条件下,结合随机图像的水平集分解,得到了图像偏移表示的逼近结果。在图像灰度分布非参数密度核估计基础上,利用非线性各向异性滤波对偏移特征进行增强,建立了偏移测度特征的Bayesian估计。提出了不同偏移参数下偏移特征的模型学习与融合算法,获得了指节图像特征的融合表示,并在手部指节图像数据库中比较了不同分层偏移模型下的识别结果,给出了批量识别ROC曲线统计规律。结果表明,识别方法具有较为稳定的正确分类能力,具有可行性。

关于Log Gaussian Mixture Cox过程模型的研究

Log Gaussian Cox过程模型(简称LGCP模型)常用来描述关于空间变化的随机过程,但是它不能很好地拟合强度取对数后是非高斯过程情况下的数据。因此,通过将它的强度取对数后看成是一个混合高斯过程来改进LGCP模型,并研究改进后模型的性质。采用极大似然估计法和MCMC方法来估计模型参数,以及用AIC准则作模型选择。最后通过实例验证,结果显示改进后的模型能够有效地拟合数据。

基于参数优化MLOG与SAM的滚动轴承早期故障诊断

针对强背景噪声环境下轴承早期故障特征不易提取问题,提出麻雀搜索算法(SSA)优化改进拉普拉斯高斯滤波器(MLOG)结合频谱调幅(SAM)的早期故障诊断方法。以滤波后信号的峭度最大值为指标,用SSA算法自适应寻找滤波器阶数和标准差的最优参数;用MLOG滤波器对故障信号滤波,去除部分噪声;用SAM方法对滤波后信号的幅值赋予不同的权重进行重构,计算重构信号的平方包络谱,提取故障特征频率。通过仿真信号和不同试验台的真实数据验证,同时对比PSO和GA优化MLOG结果,表明所提SSA-MLOG-SAM方法对滚动轴承早期故障特征提取的有效性和可行性。

声波测井成像图中的反射体自动精确识别

针对声波测井成像图噪声多、图像模糊导致的反射体自动识别困难、依赖专家识别、费时耗力等问题,提出反射体自动识别方法。通过高斯混合模型将像素点按颜色进行聚类,拆分为多通道子图,筛选有效子图进行组合;基于局部连通性进行粗降噪;以连通区域内像素点数量为基准进行精细降噪,最终完成反射体区域的像素级精确识别。整个过程完全自动化,在油田开发所用声波成像图上进行实验,实现反射体区域像素级精确识别,极大地提高了开发效率。

基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估

与从现实场景中拍摄的自然图像不同,屏幕内容图像是一种合成图像,通常由计算机生成的文本、图形和动画等各种多媒体形式组合而成.现有评估方法通常未能充分考虑图像边缘结构信息和全局上下文信息对屏幕内容图像质量感知的影响.为解决上述问题,本文提出一种基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估模型.首先,使用高斯拉普拉斯算子构造由失真屏幕内容图像高频信息组成的边缘结构图,然后通过卷积神经网络(Convolutional Neural Network,CNN)对输入的失真屏幕内容图像和相应的边缘结构图进行多尺度的特征提取与融合,以图像的边缘结构信息为模型训练提供额外的信息增益.此外,本文进一步构建了基于Transformer的多尺度特征编码模块,从而在CNN获得的局部特征基础上更好地建模不同尺度图像和边缘特征的全局上下文信息.实验结果表明,本文提出的方法在指标上优于其他现有的无参考和全参考屏幕内容图像质量评估方法,能够取得更高的主客观视觉感知一致性.

由Chvátal定理引出的关于一些无穷可分分布的概率函数的下确界

受Chvátal定理的启发,本文研究了概率P(X≤κE[X])的下确界,其中κ是一个正实数, X是一个随机变量.利用分析的方法,我们得到了当随机变量的分布属于无穷可分分布,包括逆高斯分布,对数正态分布, Gumble分布和Logistic分布,时该随机变量不超过其期望的概率的下确界.

基于LOG算子的自适应图像边缘检测方法

鉴于传统的高斯-拉普拉斯(LOG)算子具有各向同性的特点,在很多有方向性差异的场合中并不适用,提出了基于LOG算子的各向异性算子,该算子具有方向敏感性,能够对与其长轴方向重合的边缘起到加强的作用,同时,利用该算子设计了自适应算法来模拟人眼注视机制的工作过程,并将算法实验结果与LOG算法的结果进行了比较.该算子和方法较好地解决了方向性模板对视觉解释的不完善问题.

轮廓曲线的LoG变换及图像共变区域的检测

本文将LoG(Laplacian of Gaussian)变换应用到轮廓曲线上,其范数的平方具有稳健的曲率特性,由此构造了轮廓角点的响应函数;在此基础上,结合轮廓LoG所检测的角点和角点邻域内轮廓方向的尺度共变性设计了一种新的关于旋转和尺度共变的特征区域检测算法.最后,利用相关度准则对多组受干扰的图像进行特征共变区域匹配,实验结果验证了所提出的共变特征区域检测算法具有计算简单、容易实现和较强的鲁棒性等特点.

基于测地线距离的广义高斯型Laplacian特征映射

传统的Laplacian特征映射是基于欧氏距离的近邻数据点的保持,近邻的高维数据点映射到内在低维空间后仍为近邻点,高维数据点的近邻选取最终将影响全局低维坐标.将测地线距离和广义高斯函数融合到传统的Laplacian特征映射算法中,首先提出了一种基于测地线距离的广义高斯型Laplacian特征映射算法(geodesic distance-based generalized Gaussian LE,简称GGLE),该算法在用不同的广义高斯函数度量高维数据点间的相似度时,获得的全局低维坐标呈现出不同的聚类特性;然后,利用这种特性进一步提出了它的集成判别算法,该集成判别算法的主要优点是:近邻参数K固定,邻接图和测地线距离矩阵都只构造一次.在木纹数据集上的识别实验结果表明,这是一种有效的基于流形的集成判别算法.

基于Laplacian的局部特征描述算法

为了更好地兼顾特征描述子的鲁棒性和生成复杂度,提出了一种基于Laplacian的局部特征描述算法。分析说明了Laplacian不仅对图像的欧氏变换、缩放及亮度线性变化具有较好的性质,而且能够反映图像的局部结构特征。据此利用高斯型拉普拉斯变换响应建立了一种64维特征描述子,并将该特征描述子应用于特征点匹配。匹配实验结果表明,在图像尺度缩放、旋转、模糊、亮度变化和较小视角变化等多种变换条件下,该描述子不仅能够取得较好的匹配效果,而且匹配速度是尺度不变特征变换(SIFT)的4倍以上。该算法适用于实时性要求较高,存在旋转、尺度缩放、亮度差异、图像压缩变换以及视角变化不大的结构图像间的匹配。

LoG边缘算子改进的加权引导滤波算法

针对原始全局的引导滤波算法对整幅图像各个区域使用统一的线性模型与相同的规整化因子,从而未能适应图像本身不同区域的纹理特性,提出了基于LoG边缘检测算子改进的加权自适应规整因子。通过在局部窗口内计算LoG幅值响应,对原有的规整化因子进行惩罚来取得对图像平滑区域与边缘区域的自适应,使得在保证降噪效果的前提下进一步突出边缘像素和平坦区域像素之间的差异。对开源医学图像库Brain Web中不同断层的T1、T2与PD加权图像,共18张图像,添加9%的莱斯噪声作为测试库,并采用结构相似性因子(SSIM)与无参考图像锐化因子(CPBD)作为算法的定量评估指标。实验结果表明,与原始的引导滤波算法相比,所提方法的SSIM指标获得了最高5%左右的提升,CPBD指标获得了最高6%左右的提升。在引导滤波不同规整化因子的条件下,所提算法均优于原始的引导滤波算法和现有的基于方差图像加权改进的引导滤波算法,并保留了原始引导滤波O(N)的复杂度。与现存的主流滤波算法比较,所提算法能够兼顾SSIM与CPBD指标,具有最高的综合性能,且具有最低的算法复杂度,能够用于医学图像和彩色图像的快速滤波降噪。

改进的LOG算子与小波变换融合的边缘检测方法

传统的LOG算子在高斯滤波方差的选择上不具备自适应能力,方差的大小会直接影响到去噪和边缘保持效果.针对此问题给出了一种改进的LOG算子方法,并对原图像分别采用改进的LOG算子和小波变换两种方法进行边缘提取,最后将这两种方法检测出来的边缘图像进行融合.实验表明,融合后的图像结合了两种检测方法的优点,有效地提高了边缘检测准确性,获得了比较理想的边缘检测效果.

基于LOG和Canny算子的边缘检测算法

针对传统Canny算子抑制噪声和检测低强度边缘能力不足的问题,提出一种将LOG算子和Canny算子相结合的边缘检测方法。采用LOG算子对图像进行噪声过滤,从以下3个方面改进Canny算子实现边缘检测:(1)设计高斯滤波核对过滤掉噪声的图像进行边缘增强,使低强度边缘更容易被检测;(2)在M×N邻域中计算梯度幅值和方向;(3)将梯度方向结合梯度幅值计算,使梯度幅值在边缘检测中更具依据性。对增加椒盐噪声的图像进行实验,结果表明,该方法在最大程度抑制噪声的同时,能检测到更多的低强度边缘。

结合视觉及方向尺度LoG算子的肺节点图像增强

针对医学X胸片影像对比度低,视觉效果差,不利于临床医师对X胸片肺部节点进行检诊的问题,在对X胸片肺部节点图像特点以及传统拉普拉斯高斯图像增强算子深入分析的基础上,提出一种基于视觉及方向尺度拉普拉斯高斯(Laplace of Gaussion,LoG)算子的医学X胸片肺结节增强方法。该方法是在传统拉普拉斯高斯滤波算子的基础上,通过对不同方向纹理引入不同算子尺度,并考虑视觉因素,进行视觉矫正实现的。实验表明,该文算法能有效增强X胸片肺部节点影像。与已有方法相比,该方法具有更好的增强效果。

一种改进的LOG遥感数字图像边缘提取算法

边缘提取 ,是遥感图像处理的基本工作之一 .LOG算法是一种较常用的边缘提取方法 ,但缺点也很明显 .通过去除光照强度影响、寻找空间常数σ最佳取值范围以及插值计算精确边缘等方法对LOG算法进行改进 ,使得边缘提取更加精确和有效 .

计及时空分布特性的光-荷典型场景提取方法

针对含光伏配电网中典型场景生成对光伏、负荷的时空相关性考虑不充足的问题,提出基于拉普拉斯矩阵降维及高斯混合模型的光伏、负荷典型场景提取法。首先利用光伏、负荷的历史运行数据构建光伏、负荷的日场景描述矩阵;再通过拉普拉斯特征映射的降维,以及高斯混合模型得到描述矩阵的概率密度函数;最后经过Wasserstein距离筛选,完成光伏、负荷典型日场景提取。基于广东某地含光伏配电网的运行数据进行实验,对基于k-means聚类的场景生成法、拉丁超立方采样法以及所提场景联合方法进行对比,结果显示所提方法生成的典型场景与配电网实际运行场景的误差更小,速度更快,数量更少。

一种改进的Log边缘检测算法

在分析传统Log边缘检测原理的基础上,针对高斯滤波器尺度因子的选取,引入高斯滤波空间尺度因子计算方法,提出了一种自适应的多尺度Log边缘检测算法,克服了传统Log算法的不足.实验结果表明,改进后的Log算法能有效抑制噪声,并能准确检测图像边缘信息.

一种改进的自适应各向异性LOG算子

针对经典各向同性高斯-拉普拉斯(LOG)算子在具有方向性差异的场合中不适用的问题,引入多尺度,多角度参量,使之能对各个方向的边缘更加有效地检测,进而提出一种自适应各向异性LOG算子。该方法由独立强度传播(DS)模型调整长轴尺度,由像素的邻域平滑度决定长短轴的比例,然后通过8邻域一阶偏导决定长轴方向。实验表明,与传统LOG算子相比,该算法很好地解决了不同方向边缘的提取,还完全保留了经典LOG算子原有的优点。

基于多重先验的无监督学习红外图像增强算法

随着红外成像技术的广泛应用,人们对红外成像质量的要求不断提高。由于红外传感成像原理的限制,红外图像普遍存在对比度不高、缺乏细节纹理等问题。与此同时,常用的传统红外图像增强算法在提升图像对比度的同时容易引入较高的噪声,导致增强效果有限。因此,本文提出一种基于高斯-拉普拉斯金字塔、CLAHE、原始图像等多重先验知识的无监督红外图像增强算法,并通过实验与各种经典先验方法进行了对比。实验证明,本算法效果相较于传统算法有较为明显的提升,可以完全自适应地实现对比度拉伸、去除噪声等红外图像增强操作,并且对目标检测等下游任务带来了显著的精度提升。

一种新的基于Laplacian算子的边缘检测方法

Laplacian算子是二阶微分算子,利用边缘点处二阶导函数出现零交叉的原理检测边缘,对灰度突变敏感,定位精度高,但抗噪性差。本文基于Laplacian算子的边缘检测模型,采用最大/最小中值滤波器,提出一种新的边缘检测方法。实验结果表明该方法具有保护边缘和平滑噪声的优点,边缘检测效果理想。