基于超像素快速模糊聚类的印刷品图像分割方法

针对当前彩色印刷品色差检测过程中效率低、复杂性高等问题,提出了一种基于超像素快速模糊聚类的印刷品图像分割方法(SFFCM)。先用简单线性迭代聚类(SLIC)算法将图像分割为紧密相邻的超像素区域。每个超像素区域被视为一个独立的聚类单元。随后,将模糊C均值聚类(FCM)算法应用于超像素的归属关系计算中,即引入隶属度值,允许超像素归属于多个聚类中心,并通过权衡归属度值来实现模糊聚类。实验结果表明,相对于其他算法,本文方法在保持良好实时性的同时,实现了较好的分割效果,有效平衡了算法复杂度与分割效果之间的关系。

基于K-Means的颜色量化算法在岩石图像预处理中的应用

提出了一种基于K-Means的颜色量化算法的岩石图像预处理方法,利用K-Means自动将图像中相似的颜色合并为一种颜色,减少了岩石图像中的无用颜色。对于颜色量化,假设RGB岩石图像中的每个像素点都有自己的颜色,并且每个像素点都有对应坐标,使用欧几里得距离公式计算每个像素点之间的距离,最后利用K-Means算法对这些有特定颜色的坐标点进行无监督聚类,从而实现颜色的量化。应用结果表明,将基于K-Means的颜色量化算法用在岩石图像中,可以减少岩石图像中的颜色数量,且能在较低性能的计算机设备中很好地再现岩石图像,同时也能提高岩石图像处理的效率。

基于K-means特征的复杂环境下道路识别算法

基于视觉的智能车辆导航技术是通过对各种道路环境进行感知和理解,从而确定智能车辆的可行驶区域。针对实际道路环境的复杂性与多样性问题,提出了能够适应复杂环境的道路识别算法。首先,使用SLIC(simple linear iterative clustering)超像素分割算法对原始道路图像进行超像素分割,得到性质相同、尺寸均匀的超像素块;其次,基于超像素块使用K-means聚类算法提取出图像中道路区域与非道路区域的K维特征数据,并将提取的特征数据组成训练数据集;然后,针对经典双支持向量机(TSVM)训练时间久、无法求解逆矩阵的问题进行适当矫正,使用训练数据集训练矫正后的双支持向量机;最后,使用训练好的双支持向量机进行道路与非道路的分类识别。四组道路场景的实验结果表明,与基于滑动窗口和颜色、Gabor纹理特征的方法进行对比,该算法能够有效地识别具有阴影、水迹、障碍物等复杂环境下的道路;以人工标注结果为标准,前三组识别错误率低于0.1,第四组识别错误率低于0.15;与传统SVM相比,矫正的TSVM具有更高的效率,可以大大降低训练时间。该算法在复杂环境下道路识别错误率低,性能良好,为道路环境感知和理解提供了一种新的方法。

一种改进Mean shift算法的视频监控系统

在TiDavinciDM6446DSP硬件基础上,结合Mean shift跟踪算法本身的特点,针对跟踪物体在大比例或相对时间长的阻挡,以及视频的采集、处理、传输过程可能出现的失真丢包现象,采用改进型的牛顿插值算法,确定目标接近真实位置的最优位置.插入改进后的算法具有很好的实时性和准确性.

基于K-means聚类算法的叶螨图像分割与识别

【目的】叶螨（spider mite）是为害多种农作物的主要害虫,叶螨识别传统方法依靠肉眼,比较费时费力,为研究快速自动识别方法,引入计算机图像分析算法。【方法】该方法基于K-means聚类算法对田间作物上的叶螨图像进行分割与识别。【结果】对比传统RGB彩色分割方法,K-means聚类算法能够有效地对叶片上叶螨图像进行分割和识别。K-means聚类算法平均识别时间为3.56 s,平均识别准确率93.95%。识别时间T随图像总像素Pi的增加而增加。【结论】K-means聚类组合算法能够应用于叶螨图像分割与识别。

基于机器视觉转子冲片亚像素精度尺寸测量研究

针对传统冲压件人工尺寸测量效率低、精度难以保证等问题,提出一种基于机器视觉的转子冲片亚像素精度尺寸测量方法;该方法采用先将采集的冲片图像灰度化再应用中值滤波来降低噪声干扰的图像预处理方法;通过Canny算子与Otsu方法相结合实现自适应阈值边缘检测,再利用改进的Zernike矩方法进行亚像素定位,获取亚像素级坐标;然后设计轮廓分割算法,主要提取内外圆亚像素轮廓,同时设置感兴趣区域并基于K-Means聚类算法分割出骨架线段轮廓,最后使用最小二乘拟合法求解出转子冲片内外圆直径和骨架间距尺寸;实验结果表明,该方法平均测量精度可以达到0.01 mm,测量精度高、速度较快,具有较高的实用价值。

基于改进局部信息的模糊C均值MR图像分割

为了确保模糊C均值(FCM)在分割磁共振图像时能取得更好的分割结果,在基于局部信息的模糊C均值算法(FLICM)框架下,对邻域项进行改进,提出一种新的FLICM算法。首先,使用非局部均值滤波对原图像进行处理生成附加图像,根据附加图像信息和原始图像信息定义像素一致性系数,再对像素点的含噪情况进行衡量,避免含噪像素对邻域项产生过大影响。然后,构造一个中心像素与邻域像素差异性系数,用于衡量邻域像素的灰度差,并与像素一致性系数相结合建立像素相关系数,从而更有效地计算邻域像素的相关性。最后,使用像素相关系数构造新的模糊因子并与FLICM算法相结合,得到改进的FLICM算法。通过与3种算法在不同图像上的比较表明,该算法能得到更准确的分割结果。

基于模糊聚类的超像素图像分割算法

针对传统的模糊聚类算法在图像分割时出现的信息保留不足和抗噪性差等问题,提出一种基于模糊聚类的超像素图像分割算法。该算法首先在全局范围利用抑制式模糊c均值聚类算法确定像素的所属分类,然后在局部范围利用简单线性迭代聚类算法融合图像中物体的边界信息,最后通过计算超像素分割网格划分下的均值隶属度完成图像分割。算法既保留模糊聚类的粗模块分割优势,又利用超像素提高对边界信息的融合能力,达到优化分割效果的目的。在数值实验部分,分别在人工合成图像和Berkeley数据集等真实图像上检测算法效果,验证了边界分割能力和抗图像噪点能力。

一种尺度自适应的Mean shift跟踪算法

随着人工智能、数字图像处理、模式识别等领域的突飞猛进的发展,智能视频监控日益成为一门应用广泛的综合性学科,其中目标跟踪技术该领域中一个具有重要研究意义的课题。基于传统Mean shift跟踪算法尺度变化易受干扰情况。本文采用一种尺度自适应的Mean shift算法,提出了通过相似度比较更新带宽的新方法。分别计算当前帧和前一帧中中心像素点、边缘像素的相似度函数ρ12,ρ′12,通过比较两者大小判断出目标尺度变化情况,以实现尺度更新。通过试验证明该种方法对于目标尺度更新有更好的效果。

一种扩展带权值的Mean shift跟踪算法

随着人工智能、数字图像处理、模式识别等领域的突飞猛进的发展,智能视频监控日益成为一门应用广泛的综合性学科,其中目标跟踪技术该领域中一个具有重要研究意义的课题。基于传统Mean shift跟踪算法易受到遮挡、背景信息干扰等情况。提出一种扩展的Mean shift算法,它是将纹理和背景权重相结合,采用LBP8,1中5种特征来表示目标纹理,再引入背景加权因子,使得跟踪精度提高明显。通过试验证明该种方法对于目标跟踪有很好的效果。

基于K-means聚类和LVQ神经网络的 OLED缺陷像素识别

提出改进的K-means聚类分割和LVQ神经网络分类的方法,用于有机发光二极管显示面板喷墨打印制程中缺陷像素的识别。首先采用改进的K-means聚类算法对预处理后的打印像素进行分割,然后采用连通域水平矩形确定每一个打印像素的坐标及几何特征,再通过灰度共生矩阵提取其纹理特征,最后通过LVQ神经网络对所述特征进行分类,完成缺陷像素的标记及分类统计。结果表明,本文算法的识别率明显优于其他常用分类识别算法,平均缺陷检测率为100%,分类准确率达到98.9%,单像素检测时间为8.3ms。

一种基于K-Mean算法的移动应用兼容性测试方法

随着移动应用市场的快速发展,移动应用兼容性测试问题日显突出和紧迫。本文提出了一种基于K-Mena算法的移动应用兼容性测试设备选择方法。该方法首先建立移动应用兼容性测试设备的特征树模型,确定各个基本特征的测试值,定义初始K值和中心点。然后给出一种基于设备特征树模型的特征距离计算方法。最后基于K-Mean聚类算法,对移动设备进行聚类,从各个聚类中选择适合的移动应用兼容性测试设备。通过实例进行验证分析,结果表明该方法能够帮助测试人员选择适合的测试设备,从而降低测试成本,提高测试效率和测试质量。

语义分割评价指标和评价方法综述

深度学习算法在语义分割领域已经取得大量突破,对这些算法的性能评估应选择标准、通用、全面的度量指标,以保证评价的客观性和有效性。通过对当前语义分割评价指标和度量方法进行归纳分析,从像素标记准确性、深度估计误差度量、执行效率、内存占用、鲁棒性等方面进行了多角度阐述,尤其对广泛应用的F1分数、mIoU、mPA、Dice系数、Hausdorff距离等准确性指标进行了详细介绍,并总结了提高分割网络鲁棒性的方法,指出了语义分割实验的要求和当前分割质量评价存在的问题。

一种被动毫米波图像混合噪声抑制方法

针对采集到的被动毫米波图像存在严重噪声污染,低分辨率,以及目前大部分去噪方法对混合噪声去噪效果不明显的问题,本文提出了一种基于非局部均值滤波和自适应中值滤波的混合噪声盲去噪算法。该算法首先利用像素非局部自相似先验知识对噪声强度进行估计,然后采用自适应中值滤波来滤除被动毫米波图像中的强噪声点,最后通过改进的非局部均值滤波来消除图像的大部分噪声。实验结果表明,所提出的方法在去除图像中噪声的同时保留了图像的边缘,并明显改善了被动毫米波图像的主观视觉感受。

复杂背景下人体步态分析方法

为了获得复杂背景下的人体步态信息,提出了基于超像素分割的步态提取方法,通过对关键帧步态能量图构造Gabor二维滤波器对步态能量图进行卷积提取特征,构造5个尺度,8个方向共40个Gabor滤波器组与步态能量图进行卷积操作特取特征,为了更有效地表征特征数据,使用主成分分析进行特征降维,最后选取无监督的分类方法-K均值聚类法进行分类识别,实验结果表明,该方法能够实现步态的有效识别。

“泰景四号01星”遥感影像条带噪声去除方法

泰景四号01星是全球首颗直接用于动目标检测的遥感卫星,提供全色双条带推扫数据,一次推扫任务可以完成两个拥有可控时间差的条带影像采集。在双条带影像存在条带噪声的条件下,需避免噪声引起的目标漏检与误检,为此,提出了一种顾及帧间一致性的去条带方法。首先,使用实验室辐射定标参数去除大部分微弱条带;然后,利用配准后两谱影像之间列均值统计特征差异,对条带噪声定位并进行像素补偿。实验结果表明,该方法在定性和定量评价上均取得了良好的效果,能够在提高影像质量的同时兼顾算法处理效率。

一种抗遮挡的红外多目标实时检测跟踪算法

针对红外多目标检测跟踪中目标遮挡问题和算法实时性与准确性难以兼顾的不足,提出一种快速准确且抗遮挡的红外目标检测跟踪算法。在目标检测阶段,提出一种基于RAS(running Average with selectivity)背景更新的中值滤波背景差分算法。该算法采用中值滤波法建立背景图像,通过引入反馈思想与滑动时间窗模型,使背景更新的实时性与鲁棒性得到改善。同时,为了有效解决目标遮挡难题,提出一种像素投影分离算法,通过对粘连目标的投影曲线进行分析来实现粘连目标的分离。在目标跟踪阶段,通过采用滤波加权均值移位算法,从而有效克服红外目标描述信息不足的缺点。同时,将该算法与Kalman滤波融合,最终实现红外多目标的快速准确跟踪。在不同红外测试集上实验结果表明,所提算法的检测率与正确跟踪率分别提高到91.05%、83.78%,运行速度达到32帧/秒,在抗遮挡性、实时性、准确性与鲁棒性等方面均优于现有的主流算法。

基于模糊模式识别的焊缝缺陷图像检测

以埋弧焊管焊缝的X射线检测图像为对象,通过图像处理、特征提取和模糊识别实现了对缺陷的识别。为提高识别精度与实时性,采用主成分分析法对采集图像的像素矩阵进行了主元分析,结合模糊识别中的模糊C均值聚类算法对圆形缺陷和线形缺陷进行识别。相比于传统的通过提取缺陷的若干几何特征分类识别的方法,此方法具有算法简单、占用内存空间小、识别准确率高、实时性强等特点。最终平均识别率可达到90.93%,能够较准确地对焊缝缺陷进行分类识别。

基于高斯超像素的快速Graph Cuts图像分割方法

提出了一种交互式的快速图像分割方法.该方法通过使用高斯超像素来构建Graph cuts模型以实现加速.首先,利用融合了边缘置信度的快速均值漂移算法,将原始图像高效地预分割为多个具有准确边界的同质区域,并将这些区域描述为超像素,用于构建精简的加权图.然后,使用区域的彩色高斯统计对超像素进行特征描述,并在信息论空间中对高斯距离度量进行设计.另外,为了准确而精炼地对先验知识进行参数化学习,本文还使用了分量形式的期望最大化混合高斯(Component-wise expectation-maximization for Gaussian mixtures,CEMGM)算法对用户交互进行聚类.最后,在改进的加权图模型中应用Graph cuts方法,获得最终的分割结果.通过使用不同的彩色图像进行分割实验比较,仿真结果表明本文的方法在准确性和高效性方面都具有很好的性能.

基于可分解马尔科夫网的极端椒盐噪声图像滤波

提出了一种基于可分解马尔科夫网(decomposableMarkovnetworks,DMN)的极端椒盐噪声的均值滤波方法,指出其网络节点的阈值衰减特性和网络节点的连接特性具有很好的对椒盐噪声污染图像的噪声定位的作用,并提出一种在该网络控制下,只对与噪声相关的像素进行均值计算以替代噪声像素的亚均值滤波算法,实现了图像的较强自适应滤波。实验表明,本文方法具有良好的滤波性能。