海量小差异图像群中有效分类方法研究与仿真

对海量小差异图像群进行有效分类,能够极大地满足用户对于图像搜索及管理需求.传统的海量小差异图像分类的方法需要限定大量的分类约束条件,存在分类效率低,无效分类多的弊端.为此,提出基于模糊贴近度改进的海量小差异图像分类方法.利用SIFT算法对采集的海量小差异图像群进行特征提取分析,为进行图像进一步分类提供数据支持.把模糊贴近度的概念引入到分类算法中,对海量小差异图像群进行分类模型构建,求取最优解,完成对海量小差异图像群的最优分类.实验结果表明,运用改进分类算法对海量小差异图像进行分类,能够提高图像分类的效率和分类的准确率.

海量微小差异图像群中智能边缘检测方法仿真

由于海量图像群中会同时含有物体边缘、阴影以及噪声问题,采用常规图像边缘检测方法很难从噪声或是微小差异特征中区分出精确边缘,检测出的边缘存在细节损失严重、边缘不连续以及噪声去除不完全等问题。提出一种结合Canny算子、非下采样Contourlet变换以及模糊C均值聚类方法的图像边缘检测方法。将海量微小差异图像乘性噪声转换为加性噪声形式,结合Canny算子计算差异图像群中边缘方向。根据海量微小差异图像边缘丰富、区域平滑的特点,以及差异图像在灰度上的差异,结合区域生长完成灰度差异的分割。通过非下采样Contourlet变换将图像群中图像分解为低频分量和高频分量,提取边缘信息,采用模糊C均值聚类方法对边缘进行聚类获得低频边缘图像,对于边缘细节信息较多的微小差异图像高频分量各个子带,依据模极大值检测边缘,减少图像为边缘,丰富微小差异图像细节,通过对海量微小差异图像群中低频分量和高频分量进行融合获得完整的图像边缘。实验结果表明,上述方法对高斯噪声具有较好的抑制能力,具有良好的图像边缘定位精度和干扰鲁棒性。

差异特征融合的无监督SAR图像变化检测

针对Siamese网络忽略不同层级差异特征之间的关联导致检测精度有限的问题,提出了基于差异特征融合的无监督SAR(synthetic aperture radar)图像变化检测算法。首先,利用对数比值算子和均值比值算子构建两幅信息互补的差异图,通过引入能量矩阵对差异图进行像素级融合以提高其信噪比;其次,设计了一种基于差异特征融合的Siamese网络(difference feature fusion for Siamese,DFF-Siamese),该网络能够通过差异特征提取模块在决策层综合衡量不同层级特征之间的差异程度,从而有效增强网络的特征表达能力;最后,利用模糊聚类算法对融合结果进行分类构建“伪标签”,用于训练DFF-Siamese网络以实现高精度SAR图像变化检测。在3组真实遥感数据集上的实验结果表明,本文提出的算法与其他对比算法相比具有更高的检测精度和更低的错误率。

基于组合差异图和FCM聚类的SAR图像变化检测

在获取图像的变化信息时,差异图类型的单一和差异图的质量均会影响到图像变化检测的结果。为了获取变化信息保留完好的差异图,我们提出基于组合差异图和FCM聚类的非监督变化检测算法。首先利用对数变换算法将图像变换成对数域,并采用Frost滤波去噪。然后用均值比值法和差值法得到两幅差异图,针对两幅差异图的噪声特点分别进行不同的去噪处理,使用组合差异图的方法得到最终的差异图像。最后利用FCM聚类算法将差异图像分为变化类和非变化类。实验结果表明,该算法具有较高的正确率和检测精度。

利用综合差异图和按块分类的SAR图像变化检测

针对基于差异图像分类的SAR图像变化检测方法中差异图像保持完整变化区域难的特点,以及按像元分类容易受噪声的干扰,提出了一种基于综合差异图像和按块k均值聚类法的SAR图像变化检测方法。首先,分别通过差值法和对数比值法得到2幅不同时相同一地理位置的SAR图像差异图像,为了使差异图像更加平滑和保持边缘信息,分别对这2种差异图像进行均值滤波和中值滤波。然后,通过简单的线性结合得到最终的差异图像,随后将差异图像分成若干个大小为h×h且不重叠的块,通过主成分分析提取每个块的特征向量,再利用k均值聚类法将特征向量空间分成2类。最后,根据最近邻法将差异图像分为变化区域和未变化区域。实验结果表明,该方法不仅能有效地检测出变化区域,还在一定程度上降低了虚警。

基于组合差异图和卷积小波神经网络的SAR图像变化检测

合成孔径雷达(Synthetic aperture radar,SAR)图像变化检测可以看作是一个分类过程,像素被分类为变化类和不变类。但是,差异图的质量影响了现有方法的检测精度。为了提供高质量的差异图,提出一种基于组合差异图和卷积小波神经网络(Convolutional-Wavelet Neural Network,CWNN)结合的SAR图像变化检测方法。首先,使用对数比算子、均值比算子和差分算子产生差异图,并使用简单的组合方法得到最终的差异图。然后,在差异图上使用分层模糊C均值获得变化类和不变化类的训练样本。最后,使用训练好的CWNN对所有像素进行分类。该方法提高了差异图的质量,为网络提供高质量的训练样本。真实SAR图像数据集上的实验结果表明,该方法提高了变化检测精度。

基于图像差异和视觉反差的钢轨表面缺陷检测

对钢轨表面缺陷检测方法进行了研究,报告了检测方法的现状。提出了基于图像间差异的方法,快速从海量的钢轨表面图像中找到拟缺陷图像,过滤掉正常的图像。提出了基于视觉反差的显著图生成方法,准确提取缺陷的大小,位置等信息。实验结果表明,基于图像差异和视觉反差的钢轨表面缺陷检测方法具有速度快,漏检率低,误检率低的优点,能满足高速检测的需求。

图像差异比较与CNN基因联络模板设计

通过设计细胞神经网络(CNN)基因联络模板,讨论对两幅图像的差异比较。提出利用细胞神经网络(CNN)可以高速、有效、直观地实现两幅图像的差异比较。同时,给出一个实例,说明所设计的这类细胞神经网络(CNN)基因在图像差异比较处理上的一个应用。

基于多颜色空间的图像差异检测

图像差异检测容易受光照环境影响而造成误检,论文针对如何排除图像的亮度信息干扰问题展开研究,文中提出了一种多颜色空间的图像差异检测方法,首先基于HIS颜色空间解除源图像的亮度耦合,然后再基于HSV颜色空间实施颜色分割,最后通过形态学操作实现图像差异检测。实验结果表明,该文方法在排除对比图像间的亮度信息干扰的情况下可有效检测图像差异,并对图像中的字符缩放、物体形变等细微差异具备良好的检测效果。

基于数字图像空域处理的图像差异检测技术

图像差异检测是在图像标准相同的前提下,将任意两幅或多幅肉眼很难识别或无法识别其之间差异的图像,通过灰度直方图观察、阈值分割、边缘检测和差异像素提取还原等4种数字图像空域处理方法之一,即可检测出图像之间的差异。

天文图像差异算法的SoC实现

基于传输触发体系结构,设计一种可配置处理器T*Core,并将该处理器在现场可编程门阵列嵌入式平台上进行片上系统实现,完成AST3天文图像差异算法的数据密集型运算。应用结果表明,该设计可提高数据处理的实时性,减少硬件资源消耗,满足天文图像处理的需求。

基于特征匹配的飞机外表面缺陷差异检测研究

针对光线差异、角度差异影响下,飞机外表面缺陷图像失真造成缺陷差异特征难以提取的问题,构建基于特征匹配的飞机外表面缺陷差异自动检测模型。使用融合Canny算子的改进SIFT算法构建飞机外表面缺陷图像异常特征匹配金字塔生成机体图像特征描述子,结合复合阈值约束与K-means聚类算法投影变换描述子并进行自适应阈值缺陷差异标定,实现自动检测标记不同光线及角度下的机体缺陷异常特征。实验结果表明,所提飞机外表面缺陷差异识别模型能自动检测实时拍摄的飞机外表面缺陷图像异常,具有较强抗变换性。

用差异累积图像法进行多目标识别

介绍一种多目标识别算法。通过建立差异累积图像(ADI)的方法去除背景,将直方图方差作为分割阈值,分割ADI获取目标。利用目标像素的连通性,采用递归的区域生长方法搜索多个目标并得到目标中心,最后采用链表方式存储多个目标。

文本信息辅助图像差异描述生成

图像描述生成任务要求机器自动生成自然语言文本来描述图像所呈现的语义内容,从而将视觉信息转化为文本描述,便于对图像进行管理、检索、分类等工作。图像差异描述生成是图像描述生成任务的延伸,其难点在于如何确定2张图像之间的视觉语义差别,并将视觉差异信息转换成对应的文本描述。基于此,提出了一种引入文本信息辅助训练的模型框架TA-IDC。采取多任务学习的方法,在传统的编码器-解码器结构上增加文本编码器,在训练阶段通过文本辅助解码和混合解码2种方法引入文本信息,建模视觉和文本2个模态间的语义关联,以获得高质量的图像差别描述。实验证明,TA-IDC模型在3个图像差异描述数据集上的主要指标分别超越已有模型最佳结果12%、2%和3%。

一种基于图像差异比较的液柱型仪表的图像识别算法

实现了一种用于液柱型仪表的图像识别算法,此算法基于图像差异比较算法通过对于液柱型仪表图像进行预处理,再进行差异比较,最终转化为仪表实际读数。最后将仪表实际读数以数字信号的形式接入DCS,由此可以节省老旧仪表改造以及人力抄表的成本。

基于SHT域TAM-SCM与焦聚区域检测的图像融合算法

针对聚焦图像融合过程中细节信息的选取和振铃效应问题,提出了一种基于剪切波(shearlet,SHT)域3种活跃量测(three activity measures,TAM)激发脉冲皮发神经元模型(spiking cortical model,SCM)的多聚焦图像融合新算法。首先,在SHT域,采用局部空间频率(space frequency,SF)和局部梯度能量(energy of gradient,EOG)及不同量测(SF,EOG和局部拉普拉斯能量和(summodified-Laplacian,SML))激励SCM模型选择纹理信息并构造初始融合图像P。然后,计算图像P与原图像之间差异的显著性特征提取焦距区域。最后,联合聚焦区域产生融合图像。为了验证提出算法的优越性,将文中结果与7种竞争的方法比较,实验结果表明新算法获得了清晰的边缘,产生了良好的视觉感知和较少的失真。

包含运动物体的图像拼接关键技术

提出一种基于特征点的运动场景图像拼接算法。基于相似变换消除选取在运动物体上的特征点,并使用RANSAC算法进行外点的剔除。在融合阶段,根据齐次变换矩阵求得对2幅图像的差异图像,并执行区域增长算法,从而分割出运动区域。使用一种分段映射算法生成全景图像。实验证明了算法的有效性。

低照度宽视场视频中微小目标相关滤波跟踪方法

此前的相关滤波目标跟踪算法,关于低照度宽视场小目标跟踪的研究工作未见报道。针对此,提出一种将图像差异检测框架与基于相关滤波器(CF)的跟踪框架相结合的算法,并引入双重滤波器对抗环境带来的不利因素。提出用l2范数的稀疏响应正则化项来抑制CF框架产生的异常波峰。在响应阶段,根据双重滤波器加权融合,预测小目标的位置。结果表明,提出算法在低照度宽视场中对小目标的快速移动、形变、运动模糊有优异的跟踪性能,并且满足实时性能。采集了全新的具有41条由鹰眼摄像头拍摄的夜晚监控序列数据集作为基准。实验结果表明本算法在DP提升了8.8%,AUC提升了7.4%,并在单个CPU上实现30.6帧每秒的实时运行。

基于视觉图像的铁轨平行性检测研究与仿真

研究视觉图像双轨轨道平行性准确检测问题。铁轨由于长期的磨损使得轨道不同的部位存在一定的角度和径向细微畸变,造成平行性误差。传统的图像的铁轨平行性检测方法,多是基于平行特征的有效匹配完成检测的。由于畸变误差极其细微,很容易把铁轨的角度和径向细微畸变当成一般的噪声误差混淆,而铁轨检测对精度要求极高,误差会降低轨道平行性检测的准确率。提出了一种图像误差弱化消除技术的双轨轨道平行性检测算法。利用差异矩阵变换方法,对采集到的高光谱铁轨图像进行空间变换,建立Arnold畸变配准误差消除模型,准确区分过滤畸变误差。实验表明,改进方法提高了双轨轨道平行性检测的准确率,为铁轨检测优化提供了参考。

“图像转向”和“图像差异”—哥特弗里德·博姆的图像阐释学研究

“图像转向”和“图像差异”是德国当代艺术史家哥特弗里德·博姆在其图像理论研究中提出的两个重要概念。这两个概念都可以回溯到他在20世纪70年代提出的图像阐释学的思想。鉴于现代艺术的发展所造成的传统艺术阐释的危机,博姆在其图像阐释学中反思阐释得以可能的基础,指出图像阐释学的根源在于将眼睛关于图像的经验转化为语言的媒介。博姆的图像阐释学受到现象学的影响,不仅为艺术史研究提供了一条新的进路,也符合向感性学回归的德国当代美学发展趋势,为基于传统符号学的阐释学的美学范式转变提供了一种可能。