基于局部密度聚类的雷达目标散射中心区域分割

散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中心的小区域,对每个小区域分别进行特征提取和参数计算。根据雷达目标散射中心的特点,提出了一种基于局部密度聚类的雷达目标散射中心区域分割技术。首先,对雷达图像进行Frost滤波、基于水平集方法(level set method,LSM)的图像分割和面积滤波的一系列图像预处理获得目标感兴趣(region of interest,ROI)区域,然后对预处理后的图像利用局部密度聚类算法检测散射中心并进行区域分割。实验中,采用模拟数据和真实数据对所提方法和传统图像分割算法展开数值实验,实验结果验证了所提方法在雷达目标散射中心区域分割的有效性和优越性。

面向电磁目标探测的无人机集群区域分割方法

针对电磁目标搜索任务中现有覆盖式路径规划算法存在的无人机初始分布不合理、集群任务起止时间一致性差等问题,依据现实无人机集群集中投放的初始场景,设计了一种等时倾向的区域分割算法。该算法以最小化无人机间最大任务用时差为优化目标,通过改变无人机搜索区域大小影响无人机的任务用时。算法具有二级结构,第一级初始粗分割,解决边界点迭代次数过多的问题;第二级以任务时间偏差值作为调整值,保证了各机的任务用时一致性。仿真实验表明:该算法更适用于无人机集中投放的场景,缩短了无人机个体间的任务等待时间,便于资源的二次调度,有利于多阶次任务的同步执行。

融合异常检测与区域分割的高效K-means聚类算法

传统K-means及其众多改进算法缺乏显式处理异常样本的能力,导致其聚类性能容易受到异常样本的影响。针对此问题,提出一种融合异常检测与区域分割的高效K-means聚类算法。首先,通过构建统一聚类模型,形成异常检测与聚类之间的交互协同,以提高聚类性能。其次,利用近邻簇搜索技术对各类簇进行自适应的区域分割,以减少冗余计算,提高算法执行效率。最后,为验证所提方法的有效性,在多个合成数据集和真实数据集上分别进行测试。实验结果表明:所提算法聚类性能和执行效率优于其他算法;在添加10%异常样本的Wine数据集上准确度可达0.911。

基于区域分割的枝切与最小二乘法相位解包裹融合算法

针对纳米台阶物体的形貌测量要求,设计与搭建了部分相干光离轴像面干涉测量系统。相位解包裹作为干涉测量的关键环节,要求速度快、精度高、适应性强。分析了5种常用相位解包裹算法的特点,并结合纳米台阶的形貌特点提出了一种基于区域分割的融合算法。该算法通过光强度图与枝切线结合求解各分割区域的质量,在高、低质量区域分别用无权最小二乘法与枝切法相位展开,以满足测量实时性与精确性的要求。实验结果表明:所提算法具有较强的抗噪性,其计算耗时仅为枝切法的27.92%,对65.1纳米台阶高度样板测量相对误差仅为1.1%,对残差点具有一定抗干扰性,在纳米台阶形貌测量方面具有一定应用价值。

基于超像素混合合并方法的铜电解槽红外图像功能区域分割

铜电解槽面红外图像由多类功能区域构成,综合各区域温度特征可有效评估电解状态。但各区域灰度分布复杂,区域间边界模糊,导致功能区域难以分割。为了提高功能区域分割的准确性和鲁棒性,提出超像素混合合并方法。首先,针对小尺度空间,使用区域临界图法,并提出基于灰度空间相关性的合并停止条件,避免过拟合。随后,针对大尺度空间,提取超像素纹理特征进行多类别支持向量机(SVM)训练,完成区域分类。研究结果表明:本文所提方法可以有效分割电解槽红外图像中的功能区域,与活动轮廓方法、Otsu方法相比,在区域完整性方面表现更优。

面向CBCT图像口腔移植骨区域分割的改进ResUNet网络

口腔移植骨区域自动分割在计算机辅助诊断中具有重要的临床意义。针对口腔移植骨区域大小不一,形状相异以及正负样本不平衡等特点,提出一种改进的ResUNet深度学习网络,实现对口腔移植骨区域的自动分割。该算法设计了一个新颖的通道敏感注意力,用来捕获所有通道特征图之间的相互依赖关系,进而使用空间注意力关注这些通道特征上感兴趣的区域,提升口腔移植骨区域分割的准确性。实验结果表明,在口腔移植骨区域自动分割任务中,本文所提算法性能均优于目前医学图像分割的主流方法。

基于改进CENet的新冠肺炎CT图像感染区域分割

针对新冠病毒感染肺部CT图像感染区域分割精度低,小目标分割困难等问题,提出了一种改进CENet分割模型。首先,在编码阶段加入注意力机制挤压和激励(SE)模块引入全局上下文信息,增强特征提取阶段的感受野,加大目标相关特征通道的权重,从而提高小目标的分割能力;其次,引入特征聚合模块(FAM),采用双线性插值的方法,融合了不同层次的图像特征,得到更具有判别能力的表达,进一步提高网络的分割精度。基于COVID—19—CT-Scans数据集的实验结果表明:该算法分割结果与真实结果之间的重叠率Dice值为74.32%,平均交并比(MIoU)为80.34%,灵敏度(Sen)为84.25%,特异性(Spec)为99.14%。与现有的多种分割算法相比,该方法能更好地分割出新冠病毒肺部感染区域。

应用改进狼群算法优化模糊聚类实现点云数据的区域分割

针对模糊C-均值聚类算法用于点云分割时对初始值敏感且易于陷入局部最优,导致点云分割效果不理想,不稳定的问题。提出了一种基于曲率约束的改进狼群算法优化模糊C-均值聚类的混合算法(IWPAFCM)。该算法首先在狼群算法中引入佳点集初始化种群分布;然后利用自适应步长简化参数设定、平衡寻优与收敛时间;进一步应用交互策略增强狼群的内部交流,提升狼群全局寻优的能力;最后对头狼加入高斯扰动机制使其具有跳出局部最优的能力,将改进狼群算法(improved wolf pack algorithm,IWPA)得到的聚类中心作为模糊聚类的初始值进行迭代,由此得到准确的聚类中心。在此基础上,基于点云的法矢量和曲率对点云之间的距离进行定义并替换传统欧式距离,实现了理想的点云分割效果。以ModelNet40公开数据集中Chair和Stool点云模型和实测点云机械零件和汽车覆盖件点云模型为例对算法可行性进行验证,并与FCM算法、FAFCM算法、WPAFCM算法和MACWPAFCM算法进行对比。结果表明,对于4种点云模型,本文算法相比4种对比算法在以数值高为优的V_(PC)聚类性能指标上平均提高0.4%~11.95%,在以数值低为优的适应度函数值J_(m)、V_(PE)和V_(XB)聚类指标上分别平均减少0.2%~11.97%、0.65%~7.35%、0.3%~19.47%,在两种ModelNet40点云模型上平均迭代次数减少8~21次,在两种实测点云模型上平均迭代次数减少39~57次,表明本文算法收敛速度快,迭代次数少,聚类效果佳,具有更高的聚类准确性和更好的综合性能。

光学干涉图像区域分割技术研究进展

干涉图像区域分割属于重要的干涉图像预处理步骤,目的是从干涉图像中提取出有效数据区域。干涉图像区域分割广泛存在于各种数字波面干涉仪的实验测试和数据处理中,对于精确波前复原以及相位解包裹可靠实施具有重要影响。介绍了3类常见干涉图像的区域分割技术,包括单帧干涉图、同步移相干涉图和横向剪切干涉图,并系统总结了相关研究进展、展望了该领域研究趋势。

基于APC-UNet模型的皮肤病变区域分割研究

针对皮损皮肤镜图像分割不准确的问题,本文提出了一种基于Atrous-spatial-pyramid-pooling Parallel Coordinate-attention pattern U-Net(APC-UNet)模型的皮肤病变区域分割算法。算法在U-Net模型的编码器中融入Atrous Spatial Pyramid Pooling(ASPP)模块和ParNet模块以提升模型的特征提取能力,在解码器中嵌入带有注意力机制的Coordinate Attention(CA)模块以增强模型的定位能力,并且引入了Lovász-hinge损失函数来解决皮损皮肤镜图像样本类别不均衡的问题。通过消融实验验证了提出的模型的改进合理性,通过对比实验结果表明,APC-UNet模型整体上优于5种对比模型,并且相较于基准模型U-Net,在Dice系数、IoU、精确率、召回率和准确度上分别提升了6.14%、8.11%、6.79%、2.28%和2.49%,各项性能指标均有较好提升,是一种有效可行的皮肤病变区域分割算法。

一种基于特征区域分割的图像拼接算法

针对图像采集和测量时需要将多幅图像拼接成一幅大图像的问题,提出了一种图像拼接算法,利用特征区域块分割技术来实现图像的拼接.用灰阶Sobel算子通过引入衰减因子对图像进行边缘检测得到不失真的灰阶边缘图,然后将灰阶边缘图进行三次样条插值处理,使特征区域块边缘的定位达到亚像素级,提高了图像边缘检测的精度,有利于图像的高精度拼接.实践结果表明,该算法简单易行,定位较准确,拼接效果好,能有效地克服图像质量的影响,当图像灰度值相差较大并且图像具有旋转时,该算法也能实现对图像无缝平滑拼接.

基于网格模型的一种新的区域分割算法

研究并实现了一种新的基于三角网格模型的区域分割算法,该算法首先计算网格模型中每个三角网格的法矢和面积,通过检测三角网格的面积及其法矢夹角进行区域生长,找到全部的边界网格,从而实现区域分割。在此基础上,应用了相邻块整体融合、块分解融合以及块边界光滑等方法,优化了分割结果。通过实验验证了算法的有效性和稳定性。

基于区域分割的遥感图像融合方法

提出了一种基于区域分割的图像融合方法,先将待融合的图像按空间特性分割成相似度不同的区域,然后根据具体应用目的对每个区域采用不同的融合规则.对多光谱与全色图像、多光谱与雷达图像两类遥感图像对进行了融合实验,实验结果表明,引入区域分割后的融合结果不但性能更优,而且可以很方便地控制不同图像源的成分对融合结果的贡献,满足特定应用的需求.

结合区域分割的SIFT图像匹配方法

针对待配准图在参考图上存在多个相似的区域,传统的SIFT算法导致匹配点数量较少,影响对模型变换参数估计的情况,提出了结合区域分割的SIFT方法。与原始算法相比,该算法可以得到更多正确的匹配点对,时效性上更优。实验结果表明,该算法比原算法的正确匹配点对提高了近30倍,结合区域分割的特征匹配,剔除了90%以上的误匹配点对,改进后的算法时间性能上也更优。

一种基于区域分割的几何模型简化方法

根据几何模型简化中保持细节特征的要求,引入了图像的区域分割原理,提出了一种利用曲度进行区域生长的网格模型区域分割方法,用A型种子或B型种子进行生长,将模型分割为一些区域;在此基础之上,提出了一种基于区域分割的几何模型简化方法,各个区域按照三角形数目的比例进行简化.该方法在保持模型细节特征的基础之上,大大地加快了模型简化的速度;另外还提出了一种累进网格模型的实现方法,实现了具有细节特征的多分辨模型间的层次过渡.实验证明本文所提出的几何模型简化方法加快了网格模型的简化速度,并具有保持模型的三角形网格密度分布的特点,是一种实用、方便和有效的简化方法.

区域分割的自适应变异粒子群算法

为了提高粒子群算法(PSO)的收敛性及多样性,提出一种基于区域分割的自适应变异粒子群算法(RSVPSO).算法采用区域分割的思想,利用粒子间信息交叉,使粒子搜索区间快速缩小;同时在迭代后期与自适应变异策略相结合,提高粒子跳出局部最优陷阱的能力和增强粒子多样性,达到寻优的目的.将所提出的算法应用于8个测试函数,并与精英免疫克隆选择的协同进化粒子群等算法进行比较,结果表明,新算法在收敛速度、搜索精度及寻优效率等方面有较大提高.

基于区域分割的序列红外图像融合算法

针对传统的基于像素点和窗口策略的融合算法对图像特征表征的失真,提出了一种基于区域分割的序列图像融合算法。首先将序列红外图像分割为3个不同的特征区域,目标区域、背景区域以及灰度区域,并将分割结果映射到可见光图像中。随后,利用多尺度几何分析工具非下采样Contourlet变换(NSCT)有效提取图像特征的特点,根据不同区域的特性在NSCT域设计不同的融合规则。对试验结果进行主观和客观的对比,结果表明:基于区域分割的序列图像融合算法不仅能够为融合图像保留更全面、丰富的背景信息,还能够更加有效、准确地提取图像中的目标特征。该算法优于传统的基于像素点和窗口规则的融合算法,是一种有效可行的图像融合算法。

应用改进的粒子群优化模糊聚类实现点云数据的区域分割

为实现点云数据的区域划分,提出一种基于改进的粒子群优化与模糊C-均值聚类的混合算法(SPSO-FCM算法)。针对在点云聚类过程中易过早捕获局部极小值的问题,算法首先用改进的粒子群算法——社会粒子群优化算法,对种群进行初始化,通过为每一个粒子设置不同的跟随阈值,来维护种群中个体多样性,加深对种群全局搜索的程度,避免陷入局部极小值;随后,设置种群中每个粒子当前最优位置和初始种群的最优位置,更新自由粒子的位置和跟随粒子的速度和位置;最后,采用模糊C-均值聚类算法求解隶属度矩阵,确定适应值函数,更新所有粒子的最优位置,并判断粒子和种群的位置优越性,得到准确的聚类中心,实现对点云数据的区域划分。以曲面复杂度不一致的点云模型为例对算法进行验证,探讨SPSO-FCM聚类算法的可行性,并与FCM聚类算法、遗传FCM聚类算法进行比对。实验结果显示,SPSOFCM聚类算法较其它两种算法,收敛速度快,迭代次数少,聚类准确,边界区域分割清晰,特别是对型面复杂、点云数据较多的机械零部件点云数据进行分割时,能得到更好的分割结果。

应用遗传模糊聚类实现点云数据区域分割

为了准确地实现点云数据的区域分割,将基于遗传算法的模糊聚类算法应用于逆向工程中的点云数据区域分割中。首先估算出法矢量、高斯曲率和平均曲率,并与坐标一起组成八维特征向量,用加权距离代替欧氏距离,然后通过遗传算法获得全局最优解的近似解;最后将近似解作为模糊聚类的初始解进行迭代,实现点云数据的区域分割,从而避免传统FCM算法的局部性和对初始解的敏感性,减少了迭代次数。以汽车钣金件为例,证明了应用遗传模糊聚类实现点云数据区域分割的有效性,并验证了该方法能快速、准确地实现点云数据的区域分割。

用神经网络进行散乱点的区域分割

点云的区域分割实质上是根据点的局部几何特性的相似性对点进行分类 ,利用自组织特征映射神经网络 (SOFM)方法可以实现无监督的特征聚类 .使用 SOFM进行反向工程中点云的区域分割 ,选用数据点的坐标、法向量六维向量作为 SOFM的输入 ,通过改进 SOFM的学习算法 ,加入输入权和距离权 ,加速了分割的速度和正确性 .利用 SOFM方法实现点云分割具有以下优点 :不必限定面的类型 ;用户可以控制分区的个数 ;可以处理噪声数据 .