方向感知金字塔聚合网络的道路中心线提取

道路中心线作为抽象类,无明确显性特征,进而造成模型无法准确提取道路中心线。针对该问题,文中将道路中心线提取建模为语义分割任务,并根据道路中心线的线性结构特点提出了一种方向感知金字塔聚合网络(Direction-aware Pyramidal Aggregation Network,DAPANet)。首先,针对道路中心线的空间分布特性及结构特点,设计了方向感知模块(Direction-aware Module,DAM),在主干网络(ResNet18)最后输出的4个层级上分别使用4个方向感知层提取道路中心线的方向特征。然后,进一步设计融合多向性特征的金字塔聚合模块(Pyramid Aggregation Module,PAM),融合4个层级提取到的结构特征,得到更具有鲁棒性的道路中心线特征。最后,在无人机平台下采集的真实数据上进行了实验,实验结果显示所提出的DAPANet取得了84.7%的mIoU和98.6%的Precision,道路中心线的IoU达到77.28%,性能优于其他先进的对比方法,证明了所提方法对提取道路中心线的有效性。

基于全卷积神经网络的冠状动脉中心线提取方法

精确提取冠状动脉血管造影(CAG)中心线对血管疾病诊断具有重要意义,本文提出了一种基于全卷积神经网络(FCN)的CAG中心线提取方法。首先利用基于Hessian矩阵的Frangi滤波器去除大部分伪血管噪声,突出CAG的血管树,明显区分血管和背景;利用Steger算法获得血管截面中心亚像素点,将初步提取的中心线作为数据集,标注473张经处理的CAG图像,其中378张为训练集,95张为测试集。以像素准确率(PACC)、平均准确率(MACC)和平均重叠率(MIoU)作为测试结果的评价标准。采用FCN模型分割数据集,将低层特征信息融合高层信息,对融合后的特征图进行反卷积操作,PACC达到0.85,MACC达到0.92,MIoU达到0.82。结果表明本方法具有较高的精度,可有效提取CAG中心线,为冠心病的诊断提供一种有效的辅助手段。

基于K-means聚类的结构光中心线提取方法研究

在线结构光测量系统中,为实现对结构光光条中心线的快速、准确提取,提出一种基于K-means聚类的光条中心线提取方法。在对光条图像进行中值滤波的基础上,利用K-means算法分割出光条感兴趣区域(ROI),并对二值图像进行数学形态学操作,再结合灰度重心法和最小二乘法得出较好的光条中心线。实验结果表明:该方法能够有效分割出目标光条,并快速提取出光条中心线;算法提取光条中心到拟合直线距离的标准差约为0.184像素,运行时间约为0.281 s;提取精度明显优于灰度重心法和方向模板法,实时性比Steger算法有巨大的提升,且具有较好的抗噪声干扰能力。

基于高分辨率影像的道路中心线提取技术研究

针对遥感影像道路提取问题,探索了一种基于道路条带自动检测道路中心线的方法。首先基于概率增进树算法获取道路候选点,并通过形态学运算得到光滑和完整的道路条带;然后结合细化运算自动检测道路中心线。但检测的中心线存在"毛刺"且局部曲率变化过大,不符合道路的形状特征。针对该问题,引入了测地距离理论,并用迭代方法去除"毛刺",获得初始道路中心线;再通过Dijkstra最短路径算法优化初始结果;最后根据方向一致性和道路连续性获取最终的道路中心线。采用高分辨率航空影像对上述方法的实验结果证明了该方法的有效性和可行性。

光学显微线条纹图像中心线提取

由于接近光学衍射极限,微米尺度线条纹在经过高倍显微镜放大成像后边缘通常都很模糊,加上同轴光源产生的光照不均匀现象,成像质量通常很差。为了有效测量微米尺度线条纹间距,本文提出了一种针对光学显微线条纹图像的中心线提取算法。首先,采用Retinex方法对原图像进行增强,以克服由光照不均匀所造成的无法准确分割的问题。接着,使用Ostu最佳阈值对图像进行二值分割。然后,针对分割后条纹边缘含有大量毛刺和凹陷的现象,使用基于快速步进算法的边缘塌陷法对中心线进行准确提取。最后,对提取中心线进行了最小二乘拟合。实验结果表明:本文提出的方法可以有效实现微米尺度线条纹光学显微图像中心线的准确提取。使用本方法对标准宽度线条纹间距进行实测的最大测量偏差小于2%。

基于SUSAN角点的秧苗列中心线提取方法

中国南方水田环境复杂,不同生长阶段秧苗的形态各异,且田中常出现浮萍及蓝藻,其颜色与秧苗颜色极其相似,因此常用的作物特征提取算法难以应用在水田上。针对这些问题,该文提出一种基于SUSAN角点的秧苗列中心线方法。运用归一化的Ex G(excess green index)提取秧苗的灰度化特征,运用自适应的SUSAN(smallest univalue segment assimilating nucleus)算子提取秧苗特征角点;最后运用扫描窗口近邻法进行聚类,采用基于已知点的Hough变换(known point Hough transform)提取秧苗列中心线。经试验验证,此算法在图像中存在浮萍、蓝藻和秧苗倒影的情况下有较高的鲁棒性。在各种情况下均成功提取秧苗的列中心线,且每幅真彩色图像(分辨率:1280×960)处理时间不超过563 ms,满足视觉导航的实时性要求。

基于YOLOv3目标检测的秧苗列中心线提取方法

针对秧苗列中心线的检测结果易受到水田中的浮萍、蓝藻以及水面反射、风速、光照情况等自然条件影响的问题,提出一种基于YOLOv3目标检测的秧苗列中心线检测算法。基于透视投影计算提取图像的ROI(Region of interest)区域,采用ROI图像构建数据集,对YOLOv3模型进行训练,训练过程中通过减少YOLOv3模型的输出降低运算量,利用模型识别定位ROI内的秧苗,并输出其检测框,对同列秧苗的检测框进行自适应聚类。在对秧苗图像进行灰度化和滤波处理后,在同类检测框内提取秧苗SUSAN(Smallest univalue segment assimilating nucleus)角点特征,采用最小二乘法拟合秧苗列中心线。试验结果表明,该算法对于秧苗的不同生长时期,以及在大风、蓝藻、浮萍和秧苗倒影、水面强光反射、暗光线的特殊场景下均能成功提取秧苗列中心线,鲁棒性较好,模型的平均精度为91.47%,提取的水田秧苗列中心线平均角度误差为0.97°,单幅图像(分辨率640像素×480像素)在GPU下的平均处理时间为82.6 ms,能够满足视觉导航的实时性要求。为复杂环境下作物中心线的提取提供了有效技术途径。

基于Hessian矩阵本征分解的目标中心线提取算法

在对动态目标闭环跟踪过程中,目标中心线的提取对目标的定位以及实时姿态判定有着重要影响,是实现高精度定位以及姿态判定的重要依据。根据Hessian矩阵在微分几何中的意义以及动态目标的成像特点,提出一种基于Hessian矩阵本征分解的目标中心线提取算法。算法在分割出目标的基础上,进行欧氏距离变换并建立关于目标的灰度Hessian矩阵,对Hessian矩阵进行本征分解,获取目标中心的初始点集,对这一点集采用随机采样一致算法进行野值剔除,最终拟合出目标的中心线。为了验证算法的有效性,设置了评价机制,并和前人提出的若干算法进行了对比,仿真实验表明该算法具有较高的稳定性和准确性。

一种基于脊线跟踪的冠状动脉中心线提取方法

冠脉血管中心线的提取是血管造影图像定量分析中的关键步骤。基于脊线跟踪法,提出了一种血管中心线自动提取方法。通过交互式地指定一个起始点和一个终止点,该算法能够自动获取两点间的血管中心线。实验结果表明了该方法的鲁棒性和可重复性。

激光光条中心线提取研究综述

激光光条中心线提取在视觉测量、三维重建等领域具有重要的作用。介绍了不同类型的中心线提取模型,并且回顾了这些模型的转变和创新。具体来说,根据模型采用的核心算法,将中心线提取模型分为传统提取模型和基于深度学习的提取模型;传统中心线提取模型又分为极值模型、灰度重心模型、曲线拟合模型、基于Hessian矩阵的Steger模型和可变方向模板模型;结尾从优缺点及其克服的问题等角度对比分析了不同类型的算法模型。分析表明传统激光光条中心线提取算法在图像的适应性和处理的实时性上有较为明显的不足,指出光条中心线提取模型的发展应逐渐偏向于灵活性、泛化性、实时性更强的深度学习领域。

基于最小代价路径的血管中心线提取

为解决传统最小代价路径算法提取血管中心线时存在偏向血管侧壁的问题,提出一种基于点的中心线校正方法。应用最小代价路径算法初步提取中心线,然后根据血管剖面灰阶值呈高斯分布的特点对每个中心点进行校正,再利用三次B样条将离散的中心点拟合为一条连续的中心线。实验结果表明,该算法提取的中心线更靠近血管的中心处,且对噪声具有鲁棒性。此外,将该算法用于起点、终点位置的校正,则提取的中心线对用户定义点的位置不敏感。

基于Voronoi图的血管中心线提取方法

为解决血管分割及中心线提取技术在提取血管分叉及细小血管时往往存在较大误差的问题,提出一种新的基于Voronoi图的中心线提取方法.该方法利用血管几何特性确定其中心线,有效抑制了图像灰度分布不均匀以及噪声的干扰.通过优化抽样方法有效利用血管的曲率信息,根据分叉结构与血管边界曲率差异提出不同的采样方式,在降低采样点数目的同时确保中心线提取的准确性与连续性.实验结果证明该方法具有良好的鲁棒性,获得的中心线提取误差小于0.42像素,能够快速并准确地在造影图像中提取出血管中心线,同时有效解决了分割血管分叉点时采样不连续的问题.

基于格网相交的遥感影像道路中心线提取方法

为从遥感影像中获得可用于建模的道路中心线矢量数据,首先利用成熟光谱反射(面向对象图像分类)方法,自动判读出道路范围,继而使用转化工具得出道路范围的矢量轮廓;通过添加辅助线与轮廓相交、提取线段中心点的方式得出道路中心线上的点集;最后设计工作流对点集进行排序处理,最终转化成可以用于规则建模的道路矢量数据。结果表明上述方法可有效利用遥感数据作为数字孪生几何模型的建模数据来源,同时,方法步骤可利用ModelBuilder(模型构建器)进行代码化整合,形成易于推广的端到端模式。

基于机载LiDAR和高分辨率遥感影像的道路中心线提取

利用配准的LiDAR数据生成DSM深度影像并提取建筑物轮廓,同时对QuickBird多光谱影像采用监督分类法提取植被区域。在此基础上,将建筑物和植被剔除,剩余部分利用形态学算子对道路进行修饰和完善,提取道路中心线。实验表明,基于机载LiDAR和高分辨率遥感影像的道路中心线提取方法,比单一利用遥感影像有更好的效果。

一种基于磁敏感加权成像的三维脑静脉中心线提取技术

探究基于磁敏感加权成像(SWI)的脑静脉中心线提取技术,在利用图像海森(Hessian)矩阵的几何特性提取出三维脑静脉的基础上,对得到的二值静脉血管图像进行快速三维欧几里德距离变换,得到静脉血管的距离图,再计算距离图中每一个体素的Hessian矩阵,利用Hessian矩阵的特征值和特征向量提取出静脉血管的中心点,并得到相应的血管半径大小。最后用Dijkstra最短路径连接法将中心点连接成线,便得到了静脉血管的中心线。

多层多道焊接结构光中心线提取

在对多层多道焊接视觉跟踪过程中,需要对结构光光条中心线上信息进行提取.要完成光条中心线提取需要解决光条形状复杂、光强度分布不均匀、焊豆或镜面反射等引起的结构光光条间断及环境噪声影响等问题.文中在研究已有中心线提取算法的基础上,提出了基于各向异性热扩散方程的结构光光条中心线提取算法.完成中心线提取后,选用已有算法对中心线上包含焊道信息的间断端点及高曲率角点进行检测,完成对结构光光条中心线上的特征提取.通过对文中提出的检测算法原理的分析及试验,试验结果证明该算法能够解决上述问题,同时与现有算法的比较可以看到文中在计算精度及速度上具有优势.

基于Meanshift和Hough变换的秧苗行中心线提取

针对传统的作物中心线提取方法易受作物种植间隙和噪声的影响,利用Meanshift算法能有效去除作物种植间隙和细小噪声的影响和Hough变换抗干扰能力强的特点,提出基于Meanshift和Hough变换的秧苗行中心线提取方法。该算法首先对水稻图像进行超绿变换(2G-R-B)和阈值处理,成功分离了目标与背景、减少了噪声并且提取出秧苗行的二值图像;然后对二值图像应用Meanshift算法去除叶片间的间隙和细小的噪声;最后应用Hough变换提取出秧苗行中心线。实验结果表明:相对传统的作物中心线提取方法,该算法获得的结果鲁棒性好,精确度高。

基于分段垂直投影的水田秧苗列中心线提取

为提取水田秧苗列中心线,提出了基于分段垂直投影的中心线提取方法.将彩色图像进行预处理后得到的二值图像在纵向方向分为上、中、下3段,从下段图像开始采用垂直投影法确定该段中各作物列左右边缘;在图像下段的每对左右边缘之间提取特征点并拟合临时直线,用每条直线和本段图像顶部的交点位置来确定中段中属于同一秧苗列的左右边缘点,再根据左右边缘点提取中段图像的特征点,在上段图像中以此类推,将所有特征点按不同秧苗列归入不同的点集;最后分别将每个点集中的特征点使用最小二乘法进行直线拟合.试验结果表明,该方法在分辨率为1280×1024像素的图像中提取离横向中心最近的3列秧苗中心线的准确率为94.50%,平均每幅耗时208 ms.

采动区公路路灯杆点云中心线提取方法

通过选取道路两旁的路灯杆作为特征地物,对比不同时间路灯杆中心坐标变化,求取公路水平移动与变形。针对路灯杆点云特征,推导了路灯杆中心线的提取模型,采用遗传算法进行路灯杆中心线提取,并分析了随机误差、粗差、点云观测不全面对算法中心线提取的影响。研究结果表明,该方法求取路灯杆中心坐标的精度优于1mm,并且具有较强的抗干扰能力。

三维扫描图像光带中心线提取的FPGA实现

结合三维扫描系统,设计了基于FPGA的光带中心线实时处理系统,采用列扫描梯度质心法,以硬件的形式实现了对光带中心线的实时、快速、准确提取,并将处理系统应用于三维扫描领域进行了实验,所得结果真实、有效,满足对30帧/s的图像数据进行实时提取的要求.