Improved accuracy of superpixel segmentation by region merging method

Superpixel as an important pre-processing technique has been successfully used in many vision applications. In this paper, we proposed a region merging method to improve superpixel segmentation accuracy with low computational cost. We first segmented the image into many accurate small regions, and then progressively agglomerated them until the desired region number was reached. The region merging weight was derived from a novel energy function, which encourages the superpixel with color consistency and similar size. Experimental results on the Berkeley BSDS500 data set showed that our region merging method can significantly improve the accuracy of superpixel segmentation. Moreover, the region merging method only need 50ms to process a 481x321 image on a single Intel i3 CPU at 2.5 GHz.

Auto-Segmentation on Liver with U-Net and Pixel De-Convolutional Network

Purpose: To improve the liver auto-segmentation performance of three-dimensional (3D) U-net by replacing the conventional up-sampling convolution layers with the Pixel De-convolutional Network (PDN) that considers spatial features. Methods: The U-net was originally developed to segment neuronal structure with outstanding performance but suffered serious artifacts from indirectly unrelated adjacent pixels in its up-sampling layers. The hypothesis of this study was that the segmentation quality of the liver could be improved with PDN in which the up-sampling layer was replaced by a pixel de-convolution layer (PDL). Seventy-eight plans of abdominal cancer patients were anonymized and exported. Sixty-two were chosen for training two networks: 1) 3D U-Net, and 2) 3D PDN, by minimizing the Dice loss function. The other sixteen plans were used to test the performance. The similarity Dice and Average Hausdorff Distance (AHD) were calculated and compared between these two networks. Results: The computation time for 62 training cases and 200 training epochs was about 30 minutes for both networks. The segmentation performance was evaluated using the remaining 16 cases. For the Dice score, the mean ± standard deviation were 0.857 ± 0.011 and 0.858 ± 0.015 for the PDN and U-Net, respectively. For the AHD, the mean ± standard deviation were 1.575 ± 0.373 and 1.675 ± 0.769, respectively, corresponding to an improvement of 6.0% and 51.5% of mean and standard deviation for the PDN. Conclusion: The PDN has outperformed the U-Net on liver auto-segmentation. The predicted contours of PDN are more conformal and smoother when compared with the U-Net.

Vehicle License Plate Character Segmentation

Vehicle license plate (VLP) character segmentation is an important part of the vehicle license plate recognition system (VLPRS).This paper proposes a least square method (LSM) to treat horizontal tilt and vertical tilt in VLP images.Auxiliary lines are added into the image (or the tilt-corrected image) to make the separated parts of each Chinese character to be an interconnected region.The noise regions will be eliminated after two fusing images are merged according to the minimum principle of gray values. Then,the characters are segmented by projection method (PM) and the final character images are obtained.The experimental results show that this method features fast processing and good performance in segmentation.

On Segmentation of Moving Objects by Integrating PCA Method with the Adaptive Background Model

Tracking and segmentation of moving objects are suffering from many problems including those caused by elimination changes, noise and shadows. A modified algorithm for the adaptive background model is proposed by linking Gaussian mixture model with the method of principal component analysis PCA. This approach utilizes the advantage of the PCA method in providing the projections that capture the most relevant pixels for segmentation within the background models. We report the update on both the parameters of the modified method and that of the Gaussian mixture model. The obtained results show the relatively outperform of the integrated method.

基于优化Hough变换的铆接高度差亚像素检测方法研究

针对飞机铆接高度差的检测问题,提出了一种优化的Hough变换铆接高度差亚像素检测方法。该方法首先通过空间域点运算的灰度变换法对采集的铆接孔图像进行增强处理,然后利用局部阈值分割法进行图像分割,采用Canny算法进行边缘粗提取,再利用优化的Hough变换进行亚像素级的边缘精细提取,提取出铆接孔和铆钉钉头的圆环区域,最后结合RANSAC算法进行圆拟合,利用开发算子get_current_region_z()分别提取内外圆环区域的高度平均值,再通过函数height_Z()将所得的高度平均值作差即可得到铆接表面的高度差。经试验证明,该检测方法亚像素精确定位能力强,检测结果准确率高、稳定性好,重复测量精度可达到±10μm。

卷积神经网络在农业遥感图像语义分割中的应用综述

卷积神经网络是一种特殊的人工神经网络,通过卷积核遍历图获取更多的目标特征信息。近年来,遥感技术发展迅速并被广泛应用于土地利用分析、作物分类识别、作物生长监测和病虫害检测,卷积神经网络为提取农业遥感图像的有效信息提供了新方法。卷积神经语义分割网络可根据语义信息对遥感图像像素点进行标注分割,在计算机计算能力逐步提高的前提下,分割网络结构优化,深度加深,分割准确率提高,性能提升。针对实际需要网络侧重于模块化设计改进,在土地利用分析和农作物分类识别应用中,改进的网络分割边缘细化、清晰,且像素准确率较高。在作物生长监测和病虫害识别方面,模块化改进使网络可高效实现分割任务、满足实际需要,卷积神经网络对农业遥感图像信息的语义分割为农业现代化和精细化管理提供了信息支撑。

基于机器学习方法的高光谱遥感图像目标检测研究

针对高光谱遥感图像目标检测的难题,提出基于机器学习的高光谱遥感图像目标检测方法。首先,通过动力演化算法找到满足偏度、峰度最大化的投影方向,将高维图像数据投影至低维子空间,从而提取图像的光谱信息。然后,通过线性判别法将提取的信息转换为直方图形式,再利用自动标记分水岭算法和KNN方法进行目标区域的初分割和分类,以去除非目标光谱像元。测试结果表明,对目标信息进行检测处理后,图像像元整体分类精度与平均分类精度数值区间为[0.97,0.98],信息熵数值仅有0.01,说明该方法具有较高精度,结果可信度较高。

基于外轮廓识别与内部像素分类的双阶段血管内超声影像分割与术中显示

【目的】血管内超声成像常被用于术中观察冠状动脉的狭窄状况与粥样硬化病灶危险程度。本文研发了针对血管内超声影像的病灶智能分割算法,重点解决噪声和伪影对分割精度的影响,并提出便于医生在术中观察的分割结果显示方式。【方法】本文提出了双阶段分割模型,首先自动识别血管内腔边轮廓以排除血管外噪声干扰,然后聚焦于血管内病灶组织的像素分类。本方法充分考虑了时序图像序列在时间上的关联性,通过多通道输入的U-Net提升相邻帧之间的分割一致性。为便于术中观察,根据网络输出的像素概率进行了概率化显示。【结果】在20例时序影像测试集上,本方法对纤维、钙化、脂质与超声衰减分割的平均Dice系数指标分别为0.90、0.93、0.80和0.95。对比实验证明外轮廓识别有助于排除外部噪声干扰,提升内部病灶分割的完整性。本方法以多通道方式输入时序图像可以有效提高时间维度上的分割一致性。临床医生验证肯定了本方法的概率化显示方式有助于术中直观了解病灶分布状况。【结论】本方法通过对血管内超声图像进行分割和可视化展示,更准确、完整、直观地评估并展现血管内病灶成份分布情况,为冠脉介入手术提供了智能分析和可视化展示的支持。

融合空谱特征的MR-KRVFL高光谱地物识别模型研究

针对高光谱图像复杂空谱特性影响地物识别模型分类精度的问题,提出一种融合空谱特征的流形正则化核随机向量函数连接网络(MR-KRVFL)高光谱图像地物识别方法。首先,对高光谱图像进行熵率超像素分割(ERS),获取对应的同质区域;其次,利用主元分析(PCA)对同质区域进行降维并提取其空谱联合特征;最后,基于空谱特征信息,构造核随机向量函数连接网络(KRVFL)地物识别模型,并对模型进行流形正则化约束,提高高光谱图像地物识别模型的泛化性能。将该模型应用于Indian Pines和Pavia University高光谱数据集,分类精度达到了96.84%和98.83%,证明所提模型的有效性。

基于像素聚合的自然场景文本检测模型

针对自然场景文本检测面临的文本形状差异大、场景复杂干扰多等诸多挑战,提出了一种基于像素聚合的自然场景文本检测模型。首先,设计了上采样和长短跳跃的嵌套巢式连接的特征融合模块,通过融合残差网络ResNet18提取的多尺度、多阶段的特征,增强网络特征提取的能力;其次,基于聚类的思想,引入像素聚合约束外围像素与文本中心区域的距离,实现复杂自然场景下的任意形状文本描述;最后,通过轻量级文本检测头实现像素级的字符分割,提高模型的效率。在ICDAR2015、CTW1500以及构建的工业字符数据集上对所提模型进行验证,结果表明该模型能胜任复杂自然环境下的文本检测任务,且在检测精度和检测效率上均优于现有先进文本检测器。

一种改进最优拼接线的图像拼接算法

图像拼接过程中存在着视角、颜色、纹理信息等差异,这些差异严重影响了图像拼接质量。针对此问题,论文提出了一种改进最优拼接线的图像拼接算法。在图像配准方面,基于超像素分割算法对局部单应性模型进行改进,提高了图像配准的精度,削弱了视差对图像拼接过程的影响;在接缝切割方面,基于原有平滑项中考虑了色差与梯度差信息,在平滑项中添加了显著性感知权重与纹理性信息。实验证明,该算法提高了图像配准的精度,保护了视觉显著物体结构,避免了错位、重影现象的发生,能够拼接生成高清自然的宽视域图像。

图像分割述评:基本概貌、典型算法及比较分析

图像分割作为计算机视觉领域的一个重要分支,在可穿戴计算、自动驾驶、医学图像分析等方面都发挥着重要作用,并有着广泛应用。为了更好地了解图像分割领域的发展以及研究现状,该文对图像分割进行了深入梳理和系统述评。首先,对图像分割的含义以及其工作流程、指标等进行阐释;然后,对图像分割方法按照时间的跨度进行分类——基于阈值和区域、基于图论和聚类,以及基于深度学习的图像分割,对每类方法的代表性算法进行分析介绍,较为全面地总结了每类方法的基本思想和优缺点;最后,对该领域目前存在的问题和未来的发展方向进行展望,提出实时图像语义分割、弱监督或非监督语义分割和三维场景的语义分割是目前研究中的主要挑战。

基于图像处理的八角光纤尺寸检测算法设计

为解决传统的光纤端面尺寸检测方法中没有八角光纤,测量效率低的问题,采用图像处理对八角光纤尺寸检测进行算法设计,针对3个待测参数即纤芯直径、包层对边距离、包层对角距离,采用高斯滤波对图像进行降噪,提取待测光纤不同区域亚像素轮廓,对包层轮廓采用Ramer算法分割八边形光纤轮廓,提出过分割处理算法对不同长度的多段轮廓边进行处理,得到有效的八段轮廓;采用最小二乘法进行曲线拟合,纤芯轮廓拟合为圆测得其直径,包层轮廓各边拟合为直线测量对边距离;提出基于辅助线的顶点检测算法,进而测量对角距离。实验结果显示,本算法能对八角光纤纤芯直径、四组对边距离、四组对角距离进行精确快速测量,对边,对角距离重复测量精度平均达0.1μm,达到企业技术指标要求。

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。

基于局部加权非相干区域监督的葡萄精确分割算法

精确实例分割作为葡萄产业园中智能化农艺管理的一项关键技术,对于智慧葡萄园的自动化管理具有重要意义。由于葡萄生长密集、重叠现象严重,传统Mask R-CNN算法分割葡萄时存在实例边缘不准确且重叠区域易错的问题。针对上述问题,提出一种基于局部加权非相干区域监督的葡萄精确分割算法。嵌入额外的非相干区域预测分支,提取葡萄的非相干区域(边缘)和局部非相干区域(重叠边界);对于提取到的上述区域掩码进行加权监督,增强网络对易错区域的特征提取能力;基于像素亲和的多任务融合模块被提出,用于建模非相干分支和掩码分支间的像素亲和关系,进一步提升网络分割性能。利用该方法在与YOLACT++、Mask R-CNN、SOLOv2等实例分割网络在不同的评价指标上进行比较,实验结果表明该方法具有较好的分割性能,可以精确分割出葡萄边界及实例重叠区域。

活塞表面缺陷图像的亚像素边缘检测技术研究

针对活塞图像对比度低、缺陷区域小、缺陷种类多、人工检测效率低等问题,提出一种结合区域生长法和亚像素边缘提取的活塞表面缺陷检测方法。利用图像处理软件采集活塞图像,分析活塞表面图像中缺陷区域与正常区域灰度值的差异。使用区域生长法进行图像分割,结合Canny算子对活塞表面缺陷边缘进行初步定位。通过定位感兴趣区域的位置,进行亚像素级别提取,并平缓感兴趣区域边缘。实验表明,所提算法比传统的边缘提取方法得到的缺陷区域更精确、平滑。

基于邻接自适应谱聚类的木材表面缺陷分割算法

针对人工分割木材表面缺陷的烦琐性和阈值分割算法对缺陷像素信息衡量的不稳定性,提出了一种基于邻接自适应谱聚类的木材表面缺陷分割算法。算法以简单线性迭代超像素(simple linear iterative cluster, SLIC)为基础,对缺陷图像进行预处理,融合木材缺陷的纹理特性和超像素块间的距离尺度,并采用邻接自适应谱聚类进行分割;缺陷分割初步完成后,通过变异系数衡量缺陷块中像素信息的离散程度进行再次分割,克服初次分割结果的过分割问题;考虑木材表面缺陷形态学上的封闭性,将2次分割图像进行合并,继而用邻接扫描法对次分割图形进行填充,最终对木材表面缺陷进行分割界定。考虑木材表面缺陷种类的多样性,选取了虫眼、死节、活节等缺陷图像进行分割对比试验,相较于OTSU阈值分割算法,本研究算法在单个和多个木材表面缺陷分割方面,类别平均像素准确度(mean pixel accuaracy, MPA)分别提升4.69%,14.23%,平均交并比(mean intersection over union, mIoU)分别提升33.27%,33.43%。本研究算法能够更加准确地将木材表面缺陷从复杂背景中分割出来,缺陷边缘轮廓的构建更接近于理想分割情况,且运行时间较短,对木材表面缺陷的分割具备较强的精确性与可行性。

基于边界辅助的弱监督语义分割网络

由于弱监督语义分割任务中种子区域的随机生长机制,导致弱监督语义分割网络经常出现错分割和漏分割的问题,为此,提出一种基于边界辅助的弱监督语义分割网络。该网络利用边界信息和语义信息,为种子区域的生长提供参考,使种子区域可以自然生长至目标边界,并在目标被遮挡或重叠时正确区分目标类别,生成可以覆盖更完整目标的伪像素掩码。以此伪像素掩码作为监督信息训练分割网络,可以改善弱监督语义分割网络由于伪像素掩码无法准确覆盖目标区域导致的错分割和漏分割问题,提升弱监督语义分割网络精度。在通用数据集PASCAL VOC 2012验证集和测试集上对该网络进行评估,mIoU分别达到71.7%和73.2%。实验结果表明,其网络性能优于当前大多数图像级弱监督语义分割方法。

基于注意力机制和图像轮廓的实例分割算法

基于图像轮廓的实例分割方法利用少量轮廓顶点来表示物体,减少了算法的参数量,提高了算法的运行效率,但导致算法的精度低于传统逐像素处理的分割算法,获得的分割结果质量较差。为提升算法的准确性,文中提出一种基于图像轮廓结合注意力机制的实例分割模型(Attend the Contour snake,AC-snake)。在主干网络中加入改进的大卷积核(Largekernel+)提升模型的感受野,提取更加丰富的特征信息。改进轮廓顶点变形阶段的网络结构,结合双通道注意力模块(Dual Channel attention,DC-attentio)加强轮廓顶点的有效信息,减少训练网络中的无效参数,提升检测精度和训练速度。实验结果表明,在Cityscapes验证数据集中,相较于原始模型,文中提出的改进模型性能有所提升。