多层Mumford-Shah向量值图像分割、去噪与重建模型

针对多层Mumford-Shah图像分割、去噪与重建模型不能进行彩色等向量值图像处理的问题,提出了多层Mumford-Shah向量值图像分割、去噪与重建模型和求解该模型泛函最小值的水平集逐层迭代算法．该模型是Mumford- Shah“最小分割问题”的向量值图像“多层”实现模型．实验结果表明,该方法不仅能够同时进行具有T型图像边缘或更复杂拓扑结构图像边缘的向量值图像分割、去噪与重建,而且比Tsai A等人提出的多层求解轮廓和Chan T等人提出的多相水平集方法更简单有效．

面向彩色图像恢复与边缘检测的Mumford-Shah推广模型研究

将Ambrosio和Tortorelli提出的Mumford-Shah椭圆泛函逼近模型推广到彩色图像情形.推广模型将彩色图像建模为黎曼流形上的嵌入曲面,据此将刻画不同颜色通道间方向梯度差异的物理量———向量积项引入能量泛函中目标的正则化部分,进而建立了新的能量泛函.从理论上证明了新能量泛函的Gamma收敛性,推导了最优化能量泛函所满足的欧拉-拉格朗日方程.利用最速下降法,提出了推广模型的一种有限差分方法.理论分析和实验结果都表明:传统的直接将灰度图像的Mumford-Shah模型推广到向量图像情形,往往存在孤立对待每个通道的问题,而该文推广模型能够精细刻画各通道之间的相关性和相互影响,在图像恢复和分割效果上都大大优于传统的直接推广的模型.

Mumford-Shah模型在卫星云图分割中的应用

利用Mumford-Shah模型对卫星云图进行分割和识别。根据卫星云图自身的特征,提出了基于核心灰度的Mumford-Shah模型,并用此模型分割出了单通道卫星云图中的高云、中云和低云。同时提出了一种基于核心灰度的Mumford-Shah模型的向量图像分割方法,对两个通道的卫星云图进行分割,更加准确地识别出中低云系在红外通道和可见光通道中的位置。

基于SVM能量模型的改进主动轮廓图像分割算法研究

为克服经典主动轮廓模型曲线内外区域能量定义在复杂目标与背景分布情况下的不足,本文将高效的支持向量机有监督学习分类器引入基于Mum ford-shah模型的主动轮廓图像分割算法中,提出了基于SVM能量模型的改进主动轮廓图像分割方法.该方法首先利用支持向量机的分类结果对于封闭曲线的内外区域分别构造了一种新的图像能量表示方法,因为分割过程充分利用了有监督学习策略,使得本文提出的算法具有更高的稳定性和更加广泛的适用范围,特别是对目标灰度分布不均或存在多纹理的目标也可以得到较好的分割结果.分割时,首先利用SVM实现粗分割得到目标初始轮廓,然后利用改进的Mum ford-shah主动轮廓模型进行精确分割,采用粗分割策略一方面可以大大提高分割速度,另一方面也可以提高了算法的自动化程度.对比实验结果表明本文提出的算法具有更大灵活性和更好的分割性能.

基于隐Markov模型的图像方位识别

提出一种基于隐Markov模型(Hidden Markov Model,HMM)的图像方位识别方法.将待识别的目标图像进行分割,对子图像进行奇异值分解,提取奇异值向量形成观测序列,即图像奇异值向量作为HMM的观测向量.确定HMM参数并计算其最大似然概率,按待识别图像最大似然概率对应所属的聚类进行识别.实验结果表明,3类共150幅目标图像的识别率达到了85%.

ACM选择系统结合改进Chan-Vese模型的自适应图像分割方法

针对传统脑肿瘤人工分割方法稳定性与精确度不够高的问题,提出了一种ACM选择系统结合改进Chan-Vese模型的自适应图像分割方法。提出的框架适用于3种不同的局部区域主动轮廓模型(LRACM):LGDF、改进C-V以及LBF,根据要处理特定图像集,提出的方法可以自适应地选择其中最佳的一种模型来表示图像。首先,在学习阶段,其中一部分数据用于在最佳LRACM的选择任务中训练系统,并为此计算了平均值、调和平均值等10个图像特征;然后,在评估阶段,其余数据被测试以评估所提出的系统正确选择期望的主动轮廓模型的能力;最后,使用支持向量机分类器对3种模型所分割后的图像进行分类,将性能最好的模型作为所选模型,进一步进行准确分割。使用脑图像数据库Brain Perfusion Database的MRI数据和艾伦脑图像数据集进行实验。实验结果显示:相比仅单独使用其中1种模型的LRACM方法,提出的自适应选择方法实现了最佳分割效果。

模拟视觉感知系统的无参考模糊图像质量评价

为了获得与人类视觉感知一致的图像质量评价方法,本文提出一种模拟视觉感知系统的无参考模糊图像质量评价方法.该方法通过比较不同模糊程度的图像特征的相似度来度量图像质量.首先,通过对待测图像进行人工模糊,获得不同模糊程度的图像.然后,通过视网膜模型提取图像的细节信息.接着,采用奇异值分解用来获得图像的内部结构信息.之后,将待测图像与其它不同模糊度图像之间的细节相似度和奇异值相似度作为度量图像模糊度的特征向量.最后,将这些度量特征向量输入支持向量回归模型(SVR)进行训练,获得最终的图像质量评估模型.在常用数据库上的实验结果表明,该方法与人眼主观视觉感知的一致性优于比较方法.

一种车牌字符定位分割算法研究

近些年,车牌识别技术在智能交通领域中发挥着重要作用,适用于停车场出入管理、高速公路监管及交通部门违章检测等方面,应用前景一片大好,得到社会公众的高度重视。传统的车牌定位算法对夜间车牌图像定位效果整体较差,文章提出了以支持向量机为基础的定位办法。为有效解决夜间环境中汽车车牌图像灰度分布不够均匀的实际问题,运用局部二值拟合模型(LBF)方法执行字符分割过程。统计实验结果发现,以上这种方法能实现精准定位,且能提供精准的光滑闭合式边界,精准度达亚像素级,系统的辨别精准度处于较高层次,有较高推广价值。

基于UniformLBP特征的镜头检测算法

首次将Uniform LBP特征引入镜头检测中,提出一种有效的镜头检测算法。算法的主要思想是:以Uniform LBP特征作为描述视觉信息的主要特征,利用图模型计算图像序列的特征差异信号,采用主动处理策略构造特征向量和选择训练数据,通过SVM分类器识别视频镜头。提出的算法以Trec Vid05实验数据为测试平台,通过与Trec Vid05的测试结果比较可以证明该算法不但对切变镜头检测有很好的实验结果,而且能更为有效地检测渐变镜头。

基于MobileNetV2与LBP特征融合的婴幼儿表情识别算法

针对婴幼儿表情识别率低、特征复杂提取不充分等问题,文中提出一种基于MobileNetV2与LBP双通道特征融合的婴幼儿表情识别算法。第1条通道使用改进后的MobileNetV2网络,可快速、准确地提取出人脸表情全局特征。第2条通道对原始输入图进行分块,利用图像信息熵构造出权值,提取出分块加权LBP直方图特征,突出了表情信息丰富的区域。通过融合双通道模型的输出向量来提升特征表达能力,并采用支持向量机替代Softmax层进行表情分类。实验表明,使用融合特征比单一特征具有更好的分类效果,并且在自建的婴幼儿表情数据集中的表情识别准确率可达到85.71%。

图像分类中的概率乘积核函数

Bag-of-Features(BOF)模型使用编码矢量的某一特定统计值表征图像,与基于传统核函数的支持向量机相配合完成对图像的分类,所带来的问题是会丢弃大量判别信息以及最优核函数的选择。因此,本文将硬分配编码矢量服从的多项分布、软分配编码矢量服从Dirichlet分布,并以此作为图像的内容描述,利用最大似然算法估计其中参数,然后使用概率乘积核函数计算图像两两之间的核函数,最后使用支持向量机对图像进行分类。公开图像数据集上的实验结果表明,本文算法取得了更优的分类性能。