向量总变分耦合色彩差异的图像边缘提取算法

针对彩色图像边缘提取算法产生伪边缘和间断边缘的不足,提出自适应向量总变分与色彩差异的彩图边缘提取方案。根据图像梯度值与幅值,定义一种自适应向量总变分(vector total variation,VTV)去噪模型,降低噪声对边缘的影响;将图像变换为CIELAB空间,计算其色差和方向;对于不同色差与方向,采用不同的Sobel算子,借助非最大抑制方法(non-maximum suppression,NMS)优化边缘,搜索更多边缘点;利用自适应双阈值(double threshold,DT)提取彩色图像边缘。实验结果表明,与当前图像边缘提取技术相比,所提算法具有更优的检测结果,以及更高的边缘评价因子F与更低的Baddeley误差。

基于ALOS-2 PALSAR-2多基线极化干涉SAR数据反演森林高度

为了弥补单基线干涉合成孔径雷达(InSAR)观测信息不足以及几何结构单一限制,该文提出了一种利用ALOS-2 PALSAR-2多基线极化干涉合成孔径雷达(PolInSAR)数据反演森林高度的方法,首先引入相干最大分离算法(MCD)用于寻求极化空间内对体散射最为敏感的极化方式,并利用该极化方式的相干幅度在少量外部已知森林高度数据辅助下对时间去相干半经验散射模型进行解算,然后进一步融合多基线数据用于增加观测几何的多样性,提升反演结果的可靠性。为了验证上述方法的有效性,该文以湖南省攸县黄丰桥国有林场为实验区,采用3对分别具有14天时间基线的ALOS-2 PALSAR-2干涉影像进行实验分析。实验结果表明,该文所提方法有效改善已有方法中的假设和仅适用单基线干涉数据的限制,使反演精度至少提高40%。

基于聚类和MRF模型的场景文字提取方法

提出一种从自然场景中提取文本区域的方法。该方法包括候选文本区域的提取,以及候选区域是否为文字区域的判定。候选文字区域的提取,主要利用图像的纹理特征和HSL颜色空间信息,通过改进的模糊C均值聚类函数,结合拉普拉斯掩膜与计算最大梯度差来实现。由连通域边缘密度信息、形状信息的马尔科夫随机场模型,判定候选文字区域是否为文字区域。经ICDAR2003数据库测试结果表明,该方法具有较高的精确度。

基于MSER的自适应学习自然场景文本检测

自然场景下的文本检测分为提取候选区域和滤除非文本两个阶段.在候选区域提取阶段,针对最大稳定极值区域(Maximally Stable Extremal Regions,MSER)算法对噪声、模糊敏感,检测性能不高的问题,提出改进的MSER算法,首先通过梯度图增强图像字符边缘,然后采用MSER算法提取文本区域,最后利用多机制抑制策略进行粗过滤.在非文本滤除阶段,针对候选域中非文本区域过滤不彻底的问题,提出基于SVM的多特征自适应权值融合的非文本滤除算法,首先对标识样本库提取HOG、统一化LBP、颜色感知差异(Color Perception Difference,CPD)特征,使用提出的权值计算公式自适应分配权重融合三种特征,然后采用粒子群算法寻找SVM最优参数训练分类器,最后将候选区域送入训练好的分类器滤除非文本.实验结果表明,改进的文本检测算法能够达到理想的检测效果.

锦纶弹性针织物酸性荧光染料染色实践

针对酸性荧光染料在锦纶弹性针织物上染色重现性和匀染性差的问题,将有机释酸剂VS应用于酸性荧光染料的染色中,研究了染色温度、时间、p H值、浴比、匀染剂和染料用量对染色效果的影响,测试并分析了染色织物的最大反射率R_(max)、K/S值、色差△E和色牢度等参数。结果表明,染色织物的表观深度K/S值均随染料用量的增加而增大,而最大反射率R_(max)则呈先增后减的趋势。最优的染色工艺为:匀染剂P用量为1.0 g/L,荧光黄E-8GZ的用量为0～1.600%,荧光玫红B的用量为0～0.800%,释酸剂VS的用量为0.5～1.5 g/L,始染p H值为6.0～7.0,终染p H值为3.5～4.5,浴比为1∶10,95℃保温20～40 min。最优工艺应用于大生产,染色织物能获得比较理想的颜色特征值、色牢度、匀染性和重现性。

模糊模式识别在测定染色牢度中的应用

根据模糊数学的模式识别原理，通过建立适当的数学模型给出了隶属函数，对于给定的样品测出其色差后便能够计算出该样品牢度属于各种牢度级别的隶属度或贴近度，然后按最大隶属度或最大贴近度原则进行模式识别，确定出织物的牢度级别。

基于色彩距离最小化和最大色彩差的文本定位

提出了一种基于色彩距离最小化和最大色彩差(MCD)的场景文本定位方法。首先,使用多次K均值聚类和色彩距离最小化的方法,从不同复杂程度的场景图像中提取文本连通区域;考虑到色彩聚类方法容易受光照影响,使用基于MCD最大色彩差的方法,提取文本连通区域作为补充,由于将色彩与梯度信息相结合,在一定程度上能克服光照的影响;将得到的连通区域通过设定的字符合并规则,构建文本行;候选文本行中通常包含错误检测的非文本行,为了提高文本检测的正确率,最后采用基于特征提取和机器学习的方法,验证候选文本行,得到文本定位结果。将本文方法在ICDAR2011和ICDAR2013公共数据库上实验,对于ICDAR2011数据集,本文获得的召回率、准确率和F指标分别为0.66、0.77和0.71;对于ICDAR2013数据集,本文获得的召回率、准确率和F指标分别为0.65、0.77和0.70。将本文方法与其它文本检测算法比较,结果表明本文方法的可行性、有效性。