基于概率距离的高分辨率遥感影像分割结果的优化方法及其应用研究

不同于传统的通过选择合适的尺度参数来优化分割结果的方法,本文从统计学的角度,提出了一种基于概率距离的高分辨率遥感影像分割结果优化方法,并以Jeffries Matusita距离为例,介绍了利用该方法优化分割结果的流程。该方法通过为影像中的地物构建最优影像对象达到优化分割结果的目的。使用无人机影像对本文提出的优化方法进行了测试,测试结果表明,本文所提出的分割结果优化方法具有较好的效果,优化后的分类精度得到明显提高。

基于区域竞争分割结果的体绘制研究

在开发医学图像处理系统时,采用区域竞争模型分割产生的图像只反映图像的轮廓及位置信息,不包含内部的图像信息,所以只能直接进行面绘制。据此,提出了基于区域竞争模型分割结果的体绘制算法。算法根据分割结果中的轮廓信息,对原始医学图像进行数值转换,使目标图像中既包含内部图像信息又包含轮廓边界信息,最后利用转换后的数据对肝脏进行体绘制。实验结果表明本算法有效可行,而且有很高的实用性。

CT序列图像分割的实现及分割结果的重建

主要采用模糊边缘增强算法与B样条蛇线算法结合的方法实现CT图象中某些组织器官二维上的分割，并采用体绘制对分割后的序列图像进行三维重建。图像二维切片和三维重建的结果表明该方法的效果良好。程序作为基于Java的医学图像分析系统的子功能使用。

图像分割法对糖尿病患者眼底图像中视网膜血管的分割结果分析

目的观察图像分割法对糖尿病患者眼底图像中视网膜血管的分割结果,探讨糖尿病性视网膜病变(DR)的有效诊断方法。方法选取30例糖尿病患者的眼底图像,借助计算机图像处理技术,采用图像分割法对其眼底图像中的视网膜血管进行分割与提取。结果图像分割法对于正常和病变眼底图像中视网膜血管的分割均较完整,与眼底图像及眼底荧光素血管造影(FFA)图像相比,分割后的视网膜血管更清晰、精确。结论图像分割法对糖尿病患者眼底图像中视网膜血管的分割效果良好,有利于DR的诊断。

不同光照强度对点带石斑鱼图像分割结果影响的研究

简要介绍了点带石斑鱼图像采集的实验环境,3种不同光照强度的设置以及利用Matlab采集图像的步骤。详细阐述了采用灰度直方图凹度分析法、最大类间方差阈值选择法、迭代式阈值选择法、最大熵法对不同光照强度下采集的图像进行分割的步骤。最后,对分割结果进行了分析和讨论。结果表明,光照强度对图像分割结果有不同程度的影响,相较其他分割方法而言,迭代式阈值选择法能更好地将鱼体同背景分离并最大限度地保留鱼体特征。

高空间分辨率遥感影像最优分割结果自动确定方法

针对现有方法普遍存在不能充分顾及遥感影像多波段光谱信息,以及忽视遥感影像中地理要素的多尺度特性等问题,提出一种自动确定高空间分辨率遥感影像最优分割结果的非监督评价方法。该方法基于信息熵生成光谱信息离散度,利用光谱信息离散度构建能表达分割对象内部光谱均质性指标和分割对象与其相邻分割对象间光谱异质性指标。基于构建的光谱均质性和光谱异质性指标,采用“粗估计+精确定”的策略,逐步得到一个多级优化后的影像最优分割结果。本文在3个不同下垫面影像区域进行试验。结果表明,该方法能有效地实现自动确定高空间分辨率遥感影像最优分割结果,与现有方法相比,本文方法确定出的影像最优分割结果质量更高,与参考分割结果更加贴近。

一种自适应多尺度分割结果融合新方法

在基于HMT模型进行图像分割的方法中,多尺度分割结果融合的好坏直接影响了最终分割结果的优劣。针对现有的基于单一背景向量的融合方法难以合理利用多种背景信息优势的问题,提出了一种基于模糊逻辑的多尺度分割结果融合的新算法。此算法在多尺度粗分结果的不确定性的基础上,根据分割过程的特点,自适应地利用不同类型背景信息的优点,在分割的不同阶段形成具有不同背景描述能力的背景模型,从而较好的指导分割。一组实验从主观视觉和客观标准两个方面证明了该方法的有效性。

不同颜色分量对图像分割结果的影响

为了提高图像分割质量,分析了RGB颜色模型下3种颜色分量对花卉图像分割结果的影响。根据花卉目标的颜色特征,在RGB颜色模型下分别提取花卉图像的R分量、G分量、B分量,采用FCM算法分别对3个分量进行图像分割,并对十多幅自然场景下拍摄的不同颜色花卉图像进行分割实验。结果表明,针对合适的色彩分量进行图像分割可以获得更好的分割效果。

基于一次指数预测算法的动态规划分割算法

时间序列分割在变异点检测、变化趋势检测及数据预处理等方面都具有重要作用。针对经典动态规划分段算法未考虑时间序列数据之间的相互影响,提出一种基于一次指数平滑预测算法和动态规划算法相结合的多元时间序列分割方法。利用一次指数平滑预测算法对所有多元时间序列分割片段进行预测,计算分割代价;再根据分割代价,运用动态规划算法对多元时间序列数据进行分割,得到全局最优的分割结果。对仿真多元时间序列数据进行分割,将新方法结果与已有算法结果进行比较,新方法分割度量值为0.0155,较已有算法减少了0.0293,说明该分割方法得到的分割结果有较高的准确度。

基于M-Unet的混凝土裂缝实时分割算法

针对主流深度学习裂缝分割算法消耗大量计算资源、传统图像处理方法检测精度低、丢失裂缝特征等问题,为了实现对混凝土裂缝的实时检测和在像素级水平上分割裂缝,提出一种基于轻量级卷积神经络M-Unet的裂缝语义分割模型,首先对MobileNet_V2轻量网络进行改进,修剪其网络结构并优化激活函数,再用改进的MobileNet_V2替换U-Net参数量巨大的编码器部分,以实现模型的轻量化并提升裂缝的分割效果。构建包含5160张裂缝图像的SegCracks数据集对提出方法进行验证,试验结果表明:优化后的M-Unet裂缝分割效果优于U-Net、FCN8和SegNet等主流分割网络和传统图像处理技术,获得的IoU_Score为96.10%,F1_Score为97.99%。与改进前UNet相比,M-Unet权重文件大小减少了7%,迭代一轮时间和预测时间分别缩短了63.3%和68.6%,IoU_Score和F1_Score分别提升了5.79%和3.14%,并且在不同开源数据集上的交叉验证效果良好。表明提出的网络具有精度高、鲁棒性好和泛化能力强等优点。

基于改进U-net的少样本煤岩界面图像分割方法

煤岩图像语义分割技术是煤岩界面识别的重要研究方向,现有的语义分割模型通常依赖于大样本数据集进行训练,然而目前已标注的煤岩图像数据样本难以获取,并且缺乏公开数据集。针对以上问题,提出了一种基于改进U-net模型的样本煤岩界面图像分割模型。将裁剪后具有更强特征提取能力且结构上更为简单的VGG16替换U-net的原始骨干特征提取网络,提升对图像信息的特征提取能力并获得更快的训练速度,在U-net网络的跳跃连接和解码器上采样部分引入注意力机制模块,对提取的特征层进行处理,提升模型对煤岩界面图像关键特征的提取能力,提高分割精度。使用迁移学习方法对改进的模型进行预训练,提高模型泛化能力同时避免过拟合,使模型更适用于小样本数据集训练。通过使用自制的煤岩界面数据集对所改进的网络模型性能进行验证,并将该模型与经典Unet、DeepLabv3+、PspNet、HrNet网络模型进行了对比。试验结果表明:在同样使用由125幅煤岩界面图片构建的小样本数据集进行训练的情况下,所提改进模型相较于经典U-net模型在分割精确度和检测效率方面都有显著提升,模型精确度提高了1.84%,平均交并比提高了5.34%,类别平均像素准确率提高了0.48%,检测速度增幅为5.3%。同时,与其他网络模型相比,所提改进模型在小样本煤岩界面图像的语义分割中优势显著,表明所提改进思路的有效性。

一种基于语义分割结果的车道线检测拟合方法

车道线等地面标志物的检测是自动驾驶车辆环境感知的重要内容,能够为车辆提供可行驶区域的信息。文章提出一种基于语义分割结果的车道线检测拟合方法。使用车载单目相机获取车辆行驶过程中采集的道路图像,送入卷积神经网络进行车道线语义分割。将分割得到的仅含车道线的二值图像进行透视变换得到鸟瞰图,筛选有效车道线像素点,对有效车道线点使用最小二乘法进行多项式拟合,输出左右车道线多项式拟合系数,能够有效解决传统车道线检测算法的环境适应性差,鲁棒性不强,对弯道车道线检测信息不够准确等问题。

基于Res-UNet算法的螺旋溜槽精矿带识别分割方法研究

螺旋溜槽在铁、锡、钛、钽铌等金属及硫、煤等非金属矿的选矿生产中获大量应用,但目前螺旋溜槽的精矿截取调节控制还是依赖于人工,急需开发一种精矿的自适应截取技术代替人工截取以提高螺旋溜槽的生产效率。而实现这一目标的首要任务就是需要解决依赖人工肉眼获取精矿带位置信息的问题,因此提出了一个改进的UNet网络模型Res50-UNet-FD。算法模型使用UNet模型为基础,将残差网络ResNet50代替UNet网络中编码部分的特征提取网络,解决了深层特征提取过程中特征梯度消失以及网络消失的问题,有效提升了螺旋溜槽精矿带特征信息提取的精度。同时,为了改进和优化螺旋溜槽精矿带图像样本数据难易不平衡的问题,利用FocalLoss和DiceLoss的混合损失函数代替原本的CELoss损失函数。经对比,本文算法优于VGG-UNet、Res34-UNet、DC-UNet网络模型,算法模型的mIOU、mPA、F1分数和精确度分别为0.9632、0.9869、0.9870、0.9907。在性能指标上,本文算法无论是mIOU、mPA还是F1分数,整体性能都比VGG-UNet、Res34-UNet、DC-UNet网络模型高,算法的整体性能稳定。本文算法实现了对螺旋溜槽精矿矿带的分割识别,分割精度可以满足生产中对螺旋溜槽精矿分带特征信息识别的需求,为实现螺旋溜槽精矿的自适应截取奠定基础。

基于语义分割的带式输送机煤料运输区域检测算法

针对煤炭运输过程中,经常无法保持煤炭在带式输送机上的运量均匀,使得带式输送机长时间全速运转而造成电能浪费和设备无效磨损的问题,提出一种基于语义分割的带式输送机煤料运输区域检测算法。该算法在DeeplabV3+的基础上,根据特征通道之间的相互依赖关系,引入注意力机制,使用不同扩张率的卷积核获得多种尺度的语义信息,来精确分割出煤炭在带式输送机的运输区域。实验结果表明,该算法平均交并比(Mean Intersection over Union,MIoU)相比于DeeplabV3+算法提高1.24百分点,能够有效精准地分割出煤料的运输区域,为煤量估计工作提供有效的保障。

统一大市场背景下制度性市场分割的理论阐释与治理优化

制度性市场分割是进一步深化经济体制改革的重点问题。从市场经济的长期发展来看,制度性市场分割与竞争政策相背离,有碍竞争机制的运行。但就经济发展的不同时期而言,其在某些阶段依旧具有工具价值。可见,制度性市场分割的治理方案应随经济的发展而调整。然而,现有治理体系未能适时回应统一大市场的建设需求,这主要体现在政绩考核导向存在偏差、竞争审查例外适用缺乏指引与区域性竞争状况评估有待激活。为此,应当及时优化治理对策:其一,以统一大市场的建设为导向完善政绩考核制度,强化行为预防;其二,在竞争审查例外适用中构建“1+N+竞争影响最小化”的论证模式,同时引入社会力量强化实施与监督,明确与其他治理环节的衔接问题;其三,构建区域性竞争状况评估“市场维度、民生维度与政策维度”的三维评估模式,进一步发挥反垄断制度的治理效能。

基于形色筛选的苹果园羽化害虫粘连图像分割方法

针对苹果园害虫识别过程中的粘连问题,提出了一种基于形色筛选的害虫粘连图像分割方法。首先,采集苹果园害虫图像,聚焦于羽化害虫。害虫在羽化过程中已完成大部分生长发育,其外部形态、颜色、纹理更为稳定显著。因此,基于不同种类害虫的形色特征信息分析,来获取害虫HSV分割阈值和模板轮廓。其次,利用形状因子判定分割粘连区域,通过颜色分割法和轮廓定位分割法来实现非种间与种间粘连害虫的分割。最后,对采集的苹果园害虫图像进行了试验分析,采用基于形色筛选的分割法对单个害虫进行分割,结果表明,本文方法的平均分割率、平均分割错误率和平均分割有效率分别为101%、3.14%和96.86%,分割效果优于传统图像分割方法。此外,通过预定义的颜色阈值,本文方法实现了棉铃虫、桃蛀螟与玉米螟的精准分类,平均分类准确率分别为97.77%、96.75%与96.83%。同时,以Mask R-CNN模型作为识别模型,平均识别精度作为评价指标,分别对已用本文方法和未用本文方法分割的害虫图像进行识别试验。结果表明,已用本文方法分割的棉铃虫、桃蛀螟和玉米螟害虫图像平均识别精度分别为96.55%、94.80%与95.51%,平均识别精度分别提高16.42、16.59、16.46个百分点。这表明该方法可为果园害虫精准识别提供理论和方法基础。

联合线性引导与网格优化的混凝土裂缝分割

针对混凝土表面裂缝分割过程中分割精度低、细微裂缝漏分和背景干扰等问题,提出一种联合线性引导和网格优化的裂缝分割模型。首先,在主干网络中引入多分支线性引导模块,通过自适应单维度池化增强网络对裂缝线性结构的表达能力,让不同区域的裂缝建立联系,增强全局上下文信息感知能力,提高网络分割精度;然后,提出网格细节优化模块,通过分区-优化-合并三步骤,将整个空间域划分为若干个空间网格,提取空间网格中的细微裂缝信息,防止细微裂缝漏分;最后,在主干网络的跳跃连接处嵌入混合注意力模块,在空间和通道双维度突出裂缝特征,减少背景干扰。在Deepcrack537,Crack500和CFD裂缝数据集上,所提模型的IoU值分别达到77.07%,58.96%和56.55%,F1-score值分别达到87.05%,74.19%和72.24%,明显优于大多数现有方法,具有更高的分割精度。

DFNet:高效的无解码语义分割方法

针对编解码语义分割网络计算量大、解码结构复杂的问题,提出一种高效无解码的二值语义分割模型DFNet。该模型首先去除主流分割网络中复杂的解码结构和跳跃连接,采用卷积重塑上采样方法重塑特征编码直接得到分割结果,简化网络模型结构;其次在编码器中融合轻量双重注意力机制EC&SA,提高特征编码的通道及空间信息交互,增强网络的编码能力;最后使用PolyCE损失替代常规分割损失,解决正负样本不均衡问题,提高模型的分割精度。在Deep‑Globe道路分割和CrackForest缺陷检测等二值分割数据集上的实验结果表明,本文模型的分割精度F1均值和IoU均值分别达到84.69%和73.95%,且分割速度高达94 FPS,远超主流语义分割模型,极大地提高了分割任务效率。

全尺度密集卷积U型网络的视网膜血管分割算法

针对视网膜图像中血管尺度跨度大、细小血管与背景高度相似导致误分割和未分割等问题,提出一种全尺度密集卷积U型网络的视网膜血管分割方法。为提取更复杂的特征信息,构建级联卷积融合密集块(cascade convolutional fusion dense blocks, CCF-DB)作为U型网络的编解码器用以提取视网膜血管的特征信息;在网络最底端嵌入混合注意力级联卷积密集块(mixed attention cascaded convolutional dense block, MACC-DB),进一步提升感受野,获取更高维的语义特征信息;在模型的解码部分采用全尺度的跳跃连接,捕获不同尺度下的血管特征信息,提升模型的分割精度。实验结果表明,在DRIVE数据集上,相比于U-Net、U-Net3+、SA-Unet、FR-Unet等算法,此算法的AUC值达到了98.26%,准确率为95.82%;在CHASE-DB1数据集上,此算法的AUC值达98.84%,准确率达96.66%。采用此算法进行视网膜血管分割,分割的精度和鲁棒性均有不同程度的提升,对细小血管分割达到了优良的效果。

基于点云特征的改进RANSAC地面分割算法

针对室外复杂场景下,轻量级和地面优化的激光雷达里程计与测图(LeGO-LOAM)算法由于地面分割不精确而导致算法定位精度降低的问题,提出一种基于改进随机一致性采样(RANSAC)的多线程地面分割算法:相较于传统RANSAC算法,该算法舍弃从全部原始数据中随机选取种子点拟合地面模型的迭代方式,首先利用点云高程、曲率等点特征信息挑选出所有小于高程、曲率等阈值的种子点以构建种子点集合,并根据种子点集合中的种子点数量判断是否需要多线程处理;然后根据判断结果从种子点集合中选择种子点子集进行地面拟合;最后比较各地面模型所包含的点云数量以获得最优地面模型参数以及地面点云集;地面分割精度的提高有效地降低了LeGO-LOAM算法的定位误差。实验结果表明,在室外复杂场景下所提出的地面分割算法分割效果更好,杂点更少;相较于原LeGO-LOAM算法,改进算法的定位误差降低至3.73 m,平面均方根误差降低了20.8%。