叠加噪声干扰图像双阈值像素级分割方法

受干扰噪声的影响,在对图像进行分割处理时,难以实现对目标区域边缘的准确判断,导致错分的情况。为此,提出了叠加噪声干扰图像双阈值像素级分割方法。以叠加噪声干扰图像的灰度直方图为基础,在计算熵值的前提下,设置两个初始阈值为灰度范围的三等分点,按照步长5的标准迭代,并确定熵最大的阈值组合为叠加噪声干扰图像的最大熵双阈值。在分割阶段,利用计算得到的叠加噪声干扰图像最大熵双阈值进行边缘检测,并引入了一个3×3的窗口,计算噪声周围像素的平均值,实现对噪声像素的赋值,实现像素级分割。测试结果表明,该方法不仅实现了对背景的有效分割,还未造成目标区域缺失,且像素错分情况始终处于较低水平,对应的占比未超过0.60%。

基于轻量化MU-Net网络的混凝土缺陷分割

为了提高混凝土缺陷分割准确率和效率,提出一种轻量化MU-Net(Modified U-Net)像素级分割网络。编码部分使用深度可分离卷积减少网络参数,结合反残差结构和注意力机制,在充分提取特征的同时突出目标特征;解码部分同样引入深度可分离卷积和注意力机制,通过融合深浅层信息提升目标位置还原的准确性。为广泛评估该网络的有效性,构建了一个包括多类混凝土缺陷的数据集作为实验数据,涵盖裂缝、孔洞、破损、露筋四类缺陷。五折交叉验证结果表明,相较其它先进的语义分割网络,所提出的MU-Net网络表现出更优越的性能。

应用于缺血性脑卒中诊断的层次门控分割网络

为了解决人工勾画缺血性脑卒中病灶效率低及误差大的问题,本文设计了一个建立在门控机制上的改进的U-Net网络系统。该系统引入标记化MLP模块,具有参数数量少和推理速度较快的优点。实践结果表明,本文构建的系统能够较准确地实现病灶的像素级分割,基本满足智能化医疗的需要。

一种复杂环境下的胸环靶图分割方法

提高基于计算机视觉的自动报靶系统对靶场环境的适应性,提出了一种基于深度学习的胸环靶图分割方法。利用金字塔场景解析网络,创建胸环靶图数据集,设置训练参数,完成胸环靶图分割模型的训练。训练好带有全局上下文像素级特征先验的模型,实现靶场视频图像中胸环靶的准确分割。实验证明,该方法精确实现靶场视频图像中胸环靶的像素级分割,mAcc指标平均达到98.76%,mIoU指标平均达到97.84%,有效提高了自动报靶系统的环境适应性。

基于360°环视的高效停车位检测网络

针对当前自动泊车系统对停车位检测要求越来越高的现实需求,对停车位检测进行了研究,以解决停车位类型判别和泊车过程中目标泊入停车位检测的难题。基于深度神经网络,设计了一种紧凑高效的网络模型。借鉴了文本检测思想,先对目标区域进行像素分割,再在像素的分割基础上进行边界框回归,设计了一种端到端的高效回归方式,实现对遮挡停车位的精确检测。创新性地提出一种对像素级的类别置信度进行加权求和的方法,实现对停车位类型的判别。试验证明,所提出的网络模型能同时对未遮挡的停车位和被自身车辆严重遮挡的目标泊入停车位进行精确检测,且停车位类型的预测效果良好。