结合卷积神经网络和超像素聚类的细胞图像分割方法

针对细胞图像尺寸大、细胞形状各异,导致从图像中分割出精准的细胞十分困难的问题,以卷积神经网络为基础,结合染色校正方法和简单线性迭代的超像素聚类算法,提出了一种新的结构来进行细胞图像分割。利用染色校正方法对细胞图像进行预处理,提高图像的颜色对比度;利用卷积神经网络获得初步分割结果;将简单线性迭代聚类获得的超像素边界信息反馈到初分割图像上进行改进提升。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,提出的算法细胞分割准确率达到了92.72%,与经典卷积神经网络、阈值分割等其他细胞分割算法相比,具有更好的分割效果。

低质量图像基于散射图SEM估计的MAP像素聚类方法

直方图是最常用的图像灰度统计分布的表示方法，二维直方图包括共生矩阵，灰度边界值散射图，灰度平均灰度散射图等．本文提出了一种采用ＳＥＭ算法完成对灰度平均灰度的二维正态分布假设的参数估计，然后采用最大后验概率（ＭＰＡ）准则进行像素无监督聚类的图像分割算法．测试结果显示，我们的算法性能良好，尤其是对低对比度、有阴影和重噪声的低质量图像的分割效果要远优于其他基于散射图的阈值化方法．

基于像素聚类的空间变化表面材质建模

针对空间变化表面材质的反射属性提出了一种基于图像的轻量化建模方法。仅需利用消费级手机,在环境光和点光源下分别对平面材质样本拍摄一幅图像,即可计算重建其表面的双向反射分布函数(svBRDFs)参数图、法向量图、切向量图等材质属性。其中对BRDF参数的拟合采用了一种基于像素聚类的策略,即假定具有相似外观和结构特征的像素属于同种材质、共用一组参数,从而大幅降低参数拟合的难度。在此基础上,通过一种新的迭代多步优化方案对全局和空间变化的参数进行拟合,产生高分辨率的BRDF参数纹理图。该方法不依赖特殊设备,也无需采集海量数据,就能够为包括金属材质、各向异性材质等在内的多种类表面材质产生高质量的BRDF参数图,以及高真实感的基于物理的绘制结果,因此更易于实现和应用。

基于超像素聚类的EM脐橙病虫害图像的分割

随着赣南脐橙果业优良品质的发展,赣南脐橙越来越受到人们的青睐.但是在发展赣南脐橙精准果业的同时,脐橙病虫害也随之蔓延.因此快速分割和识别赣南脐橙病虫害的病斑图像,以便提高赣南脐橙的果业质量.本文提出一种基于混合聚类的脐橙病虫害图像分割方法,通过超像素聚类将整个彩色赣南脐橙病虫害图像分割成若干个紧凑的、近似均匀的超像素块,为图像分割提供有用的聚类线索,以加快期望最大化(EM)算法的收敛速度.使用EM算法从每个超像素块中快速准确地分割出病变像素,根据数学形态学去校正聚类结果,最终获得分割后的病斑图像.对比本实验和与同类方法的实验,实验结果表明该方法是有效的,对脐橙病虫害病斑图像的分割具有较好的实验效果.

一种新的SAR图像目标检测像素聚类算法

针对SAR图像目标检测任务中多目标区域目标像素聚类问题,本文提出一种结合密度聚类和区域合并的目标像素聚类算法。算法首先采用基于密度的聚类方法对图像中目标像素进行初步聚类,生成目标局部结构层的聚类区域;然后再利用基于最远距离约束的最近距离区域合并方法对初步聚类区域进行合并,进而获得目标层的聚类区域。最后根据聚类区域中像素个数特征对虚警目标进行一定地剔除,生成最终的SAR图像目标层的检测结果。实测SAR图像数据实验表明,本文算法能够有效地解决多目标场景中的目标像素聚类问题。

基于RF分类调优和SNIC聚类的新疆红枣种植区遥感提取

论文旨在快速提取新疆红枣种植区分布信息和种植面积,为预测产量、价格,巩固脱贫攻坚成果和助力乡村振兴提供数据支持。基于Google Earth Engine云平台,快速获取覆盖全疆的Sentinel-1雷达影像、Sentinel-2光学影像及SRTM地形数据,从中提取光谱、纹理、地形等44个特征并进行特征优选过程,在对随机森林分类器进行超参数调优后,得到新疆2021年10 m分辨率红枣种植区空间分布图,运用超像素聚类的方法对全疆主要红枣种植区域进行分类后处理及分区统计,最终得到全疆红枣种植面积。结果表明:(1)通过基于简单非迭代聚类算法进行分类处理,得到全疆红枣种植面积为4253 km^(2),其主要分布在南疆的阿克苏、喀什、和田地区、巴音郭楞蒙古自治州和东疆的吐鲁番市、哈密市等地。(2)对随机森林分类器进行超参数调优后,能够有效提高提取精度,基于混淆矩阵计算的平均总体分类精度为0.86,平均Kappa系数为0.82,红枣提取的生产者精度为0.87,用户精度为0.80。(3)Sentinel-1极化波段特征在红枣信息提取中占据重要地位,光谱特征和纹理特征次之。结合多源遥感数据能够快速提取新疆红枣种植区分布与面积信息,对推动该地区农业现代化、资源保护和经济发展具有重要意义。

基于多原型指导的小样本水稻害虫识别与分类

精确识别与分类复杂场景下水稻害虫对水稻病害治理与产量提升具有重要的研究意义,提出一种基于多原型指导的小样本水稻害虫识别与分类模型。首先,利用Vision Transformer网络作为主干网络进行特征映射,将水稻害虫图片映射到深度特征空间;其次,利用可微分的超像素聚类算法实现深度特征图中类特定原型的聚类分组,构造水稻多类型害虫的特征表达;再次,提出一种双通道特征融合注意力模块实现水稻害虫支持特征和查询特征的深度融合;最后,利用无参数的度量学习算法计算待测水稻病虫害图片特征与深度融合特征之间的距离,根据距离值实现待测病虫害图片的识别与分类。试验结果表明,所提出的水稻害虫识别模型可以实现0.955的识别准确率、0.941的精确率、0.949的召回率和0.962的F1值,与AlexNet、ResNet、YOLO v5、Vgg-16、Inception v3和LeNet5等模型相比,所提出模型的各项指标表现良好。该方法的提出为农作物害虫的智能化识别提供了新的思路。

基于复小波变换和自适应像素聚类的图像信息隐藏

针对大多数图像信息隐藏技术需要先验信息及训练难度大的问题,提出一种基于复小波变换和自适应像素聚类的图像信息隐藏方法。方法利用新型的无监督种群优化算法对秘密图像进行自适应的像素聚类处理,采用支持向量机选择载体图像双树复小波变换的最优小波子带,将最优小波子带作为信息隐藏的载体以保证信息隐藏的不可感知性。实验结果表明方法具有较强的不可感知性,能够抵抗隐写分析模型的入侵,在信息隐藏过程中不需要原载体图像和秘密信息的先验知识,属于全盲信息隐藏方法。

结合DBSCAN聚类的室内场景分割

针对 RGB-D 图像具有丰富的三维几何特征,复杂度高这一具有挑战性的难题,提出一种针对室内场景RGB-D 图像的分割算法.首先,经过 RGB-D 图像过分割生成超像素,并基于超像素之间的距离度量测量超像素之间的相似性;然后,采用 DBSCAN 算法将具有相似的颜色信息和几何信息的超像素聚类到一个分类中.在该聚类过程中,通过限制扩散区域来降低计算复杂度.在室内场景 RGB-D 图像库上大量实验结果表明,文中算法分割精确度和速率均超过了其他算法,证明了其高效性和准确性.

基于DWT的自适应在线聚类运动目标提取方法

在假定背景像素以较高频率在图像序列中出现的前提下,利用DWT变换的多分辨率优点,提出一种自适应在线聚类的运动目标提取方法。首先将待处理的视频图像序列经过DWT变换提取近似分量;然后利用像素点聚类方法,结合自适应动态阈值和相似类合并来重构背景;最后借鉴图像匹配的评价标准验证重构背景的准确性。实验结果表明,该方法能够准确快速地提取运动目标,并对环境变化、目标迂回移动、多目标运动情况具有较好的鲁棒性。

局部最近邻密度和颜色特征加权的超像素生成

作为计算机视觉领域的重要预处理步骤,超像素生成算法近年来受到广泛关注与研究.为了快速、高效地生成高质量的超像素,提出一种基于局部最近邻密度和颜色特征加权的超像素生成算法(NDPCS).算法分为两个阶段:1)结合图像中像素点最近邻居信息,计算各像素点的局部密度和局部密度最大值点决策值,选择拥有大决策值的像素点作为聚类中心,并根据颜色特征加权距离归类其他像素点,生成初始超像素;2)采用启发式合并策略,在保留边缘贴合度的前提下合并过小和孤立的初始超像素,保证超像素的连通性和一致性.实验在Berkeley数据集BSDS500上进行验证,本文所提方法在边缘召回率、欠分割误差和可达分割精度这些通用的评价指标上表现优良,可以为任意彩色图像快速生成高质量的超像素.

反无人机图像导引头远距空中目标探测技术

以低成本反无人机制导弹药为研究背景,开展针对远距无人机目标探测的研究工作,并设计一种局部视觉显著聚类测量算法。将局部对比测量思想引入可见光图像中,通过度量局部成像域的光谱聚类性实现对目标的检测,更具体的是度量局部像域的平均光谱值与相邻像素光谱值的最小距离。为解决多尺度目标问题,设计相应的多尺度滑窗测量方法。对原始RGB图像帧进行分频中值滤波,将滤波后的RGB图像转换到Lab颜色空间;通过滑窗模型进行无人机成像域搜索;使用显著性检测方法度量光谱差异性,得到显著测量图;利用阈值化算法获得潜在无人机目标的像素位置。根据无人机目标成像条件,开展远距无人机图像数据集的实地拍摄和人工合成工作。定性实验结果表明局部视觉显著聚类测量算法可在复杂背景下将小尺度无人机辨识,定量实验结果表明该算法的检测准确率可达到100%。

文本中心像素重建实现任意形状的文本检测

针对自然场景文本检测算法未能高效、准确地实现端到端的任意形状文本检测,提出了轻量型像素聚类文本核重建的文本检测算法,针对轻量型网络特征信息弱和感受野小的问题,设计了图像级上下文信息模块(imagelevel context module)来捕获全局图像信息和语义级上下文信息模块(semantic-level context module)学习目标区域信息,两者信息融合增强网络特征信息保证检测的准确性,为了有效区分相邻文本和定位弯曲文本,基于文本核启发将文字实例中心视为聚类中心,从核中心经过一次像素聚类重建完整的文字实例实现对任意形状文本的检测。方法在弯曲文本数据集Total-Text和CTW1500综合评分达到了84.1%和84.6%超过了最好的CARFT方法,检测速度42帧/s超过最优EAST的,有效地解决了检测形状文本的高效和准确性,在应用层面更加友好。

基于多尺度注意力U-Net的结球甘蓝青虫检测方法

针对结球甘蓝青虫姿态多样、形状不规则以及传统U-Net对多尺度图像检测的鲁棒性较差等问题,本研究提出一种基于多尺度注意力U-Net(MSAU-Net)的结球甘蓝青虫检测方法。该方法将多尺度空洞Inception和注意力引入到U-Net,通过设置不同膨胀率的初始卷积层卷积核和全局池化层类型,提取多尺度深层次的结球甘蓝青虫检测特征。首先,对原始图像进行超像素聚类,极大减少结球甘蓝青虫图像的基元数量;其次,利用多尺度空洞U-Net提取不同大小的结球甘蓝青虫特征;最后,通过注意力连接将MSAU-Net同层的浅层、深层特征拼接,得到结球甘蓝青虫图像的关键特征,加快网络训练。MSAU-Net方法在结球甘蓝青虫数据集上的平均检测精度为95.26%,较U-Net方法提高了约6个百分点。MSAU-Net方法能较好地检测到大小不同的结球甘蓝青虫,能够应用于结球甘蓝青虫自动检测系统。

眼球的自动定位

提出一种由粗到细自动定位人脸的一个重要特征即眼球圆心的方法．该方法综合运用局部二值化、霍夫变换、像素聚类、边缘提取等技术，对均匀或非均匀光照下拍摄的或戴眼镜的照片都能获得很高的定位精度，适用于处理证件照．

舌下静脉血管提取的初步研究

为了深入地研究舌诊中舌下络脉,在HSI空间中,首先利用色度对饱和度信息的约束对舌下静脉血管进行了粗提取,然后分别用LUM滤波器和基于先验知识的像素聚类区域成长法进行去噪和最终轮廓提取.对150幅舌下图像的实验结果表明,其中113幅图像得到了较准确的提取结果,证明了本文所述方法的有效性.

BYOL框架下的自监督高光谱图像分类

高光谱图像可以获取波段连续的图谱合一的立体数据,其具有丰富的图谱信息,能区分不同物质的类别,被广泛应用于各种遥感勘测领域。但在实际中高光谱图像的标注需要耗费大量的人力、财力和时间,可用的标注样本数量较少,难以通过训练来获得准确的分类结果,所以针对于只有少量标记样本的高光谱图像分类是一个挑战。近年来,自监督学习(Self-supervised Learning,SSL)已成为一种有效的方法,可以减少高光谱图像分类对昂贵的数据标注的依赖。SSL方法通过学习在同一图像的不同视图之间产生的潜在特征,在自然图像分类中取得了较高的分类精度。为了探索SSL方法在高光谱图像分类中的潜力,一种Bootstrap Your Own Latent(BYOL)框架下的自监督高光谱图像分类方法(BSSL)被提出。该方法通过引用自监督的图像特征学习框架BYOL,可以不需要负样本对,利用空间光谱相似的同类样本对进行网络训练及参数微调,提取到更具判别性特征。具体来说,该方法主要包括四个部分:BYOL的预训练、超像素聚类、基于“相似对”的BYOL的再训练和最终分类。为了验证该方法的有效性,在三个公开数据集上进行测试,并与五种先进的无监督、自监督分类方法SuperPCA、S3PCA、ContrastNet、SSCL和N2SSL进行对比,在Indian Pines和Salinas数据集上,BSSL方法的总体分类精度(OA)、平均分类精度(AA)、Kappa系数、召回率(recall)和f1分数(f1-score)都取得了更优值。其中在Indian Pines数据集上,OA分别比SuperPCA,S3PCA,ContrastNet,SSCL和N2SSL提高了1.32%,1.05%,5.68%,3.12%和1.27%。而在University of Pavia数据集上,BSSL方法表现没有那么出色,但在综合分类性能上也表现最优。这表明BSSL方法更适用于地物区域面积较大且分布较集中的场景,因为这对于超像素聚类来说更友好。

舰船ISAR图像特征提取方法研究

采用ISAR雷达可获取高分辨率舰船目标图像数据。为达到对海面舰船目标的预警监视,需对ISAR图像进行特征参数提取,获得舰船目标信息。采用线性灰度变换图像增强、迭代图像分割与像素聚类,获得目标感兴趣区域,然后通过对感兴趣区域进行特征参数提取获取目标特征信息。仿真实验验证了算法的有效性。

一种改进的指纹图像分割算法

指纹图像分割是指纹识别技术中的重要步骤之一。本文在分析了已有分割算法存在的不足的基础上,提出了一种改进的指纹图像分割算法,该算法引入像素聚类的概念,将灰度特性和像素聚类相结合,形成以灰度特性为主、像素聚类为辅的分割算法,该算法克服了前面算法由单一阈值分割的缺陷。实验表明对于背景条件较复杂的指纹图像,本算法也能很准确地实现指纹图像的分割,具有较好的鲁棒性。

一种DWT与背景重构相结合的运动目标分割方法

针对视频处理中数据量大、消耗时间长的缺点,在假定"背景像素总是以较高的频率在图像序列中出现"的前提下,提出了一种新的运动目标分割方法。首先将待处理的视频图像序列经过DWT变换(Discrete Wavelet Trans-form)提取其近似分量,然后利用像素点聚类方法,结合双阈值和相似类合并,选择一段时间内频率出现较高的像素值来重构背景,最后借鉴图像匹配的评价标准来验证重构背景的准确性。实验结果表明,该方法能提取出较好的背景,从而实现对运动目标的高效且完整分割。