改进频率调谐显著算法在疵点图像分割中的应用

为提高织物疵点分割精度,提出了一种用于织物疵点图像分割的改进频率调谐显著(FT)算法。首先,利用织物疵点和背景区域透光率的不同,将光源和相机分别置于织物两侧来获取图像,提高疵点区域对比度;其次,应用非局部均值滤波器(NLM)替代FT算法中的高斯滤波器,增强对背景纹理的平滑和降噪能力;研究发现NLM滤波器中滤波参数对疵点分割精度影响较大,提出了基于平均最大类间方差的参数优化方法;然后,将改进FT算法应用于疵点图像预处理,进一步提高疵点对比度;最后,使用最大类间方差法对疵点显著图进行分割。对2种不同织物疵点图像的分割实验结果表明,使用改进FT算法对粗经、竹节、结头、断纬、油污和破洞等常见疵点图像进行预处理,可显著提高疵点分割精度。

基于HC显著算法与BP神经网络的机器视觉系统

为了提高机器视觉环境下的目标图像识别能力,设计了基于HC显著算法模型与BP神经网络的机器视觉系统。构建机器视觉下多分辨图像特征检测模型,提取机器视觉图像的亚像素级特征量,根据中心像素与周围像素的差异性构建机器视觉系统识别的HC显著分割模型,采用HC显著分割算法进行目标图形的边缘轮廓检测和特征分割,建立图像中的像素与其周围环境和差异性分析模型,采用目标差异性检测和特征识别方法进行机器视觉系统的模糊特征提取,对提取的机器视觉图像特征量采用BP神经网络进行自适应分分类,实现机器视觉系统的优化设计和图像目标识别。仿真结果表明,采用该方法进行机器视觉系统构建,对目标图像的检测能力较强,识别精度较高,提高了目标图像成像的分辨力,具有很好的视觉成像和图像分析能力。

基于显著算法与CIELAB空间的织物色差评价方法

以改进的色差显著算法原理为基础,以高亮显著连通的区域面积和圆度表征织物图像纹理间隙区域,通过统计标准织物图像纹理间隙的分布规律,设定初步色差分级指标,不仅实现了待测织物大聚集色差区域的快速检测,而且能有效判别无大聚集色差织物的纹理间隙区域的背景噪声。结合色差评级标准,对纹理间隙区域外的织物图像采用加权平均方法进行了色差定级。结果表明,所提算法的误差均值和方差最小,更能反映织物的真实色差。

基于ViBe算法的鬼影消除与自适应前景检测策略

为了解决传统视频背景提取算法(Visual background extractor,ViBe)前景检测时易受“鬼影”、背景噪声等因素干扰的问题,结合感知哈希算法、帧差法与频域协调显著性检测算法,提出了一种改进的ViBe算法。首先,利用当前帧的显著性图像与帧差图像,实时确定运动目标区域,消除“鬼影”现象。其次,根据样本集信息得到背景复杂度,自适应调节像素分割的半径阈值。最后,通过目标图像中连通域像素数量进行前景二次检测,滤除背景像素与噪声,得到真实目标图像。实验数据显示,检测后的图像在保持有较高准确率的同时F-measure值也维持在较高水平,证明改进算法可以快速消除鬼影现象,提高动态场景下的适应性。

基于尺度显著性算法的车型识别方法

针对复杂背景的视频图像车型识别,提出了一种利用尺度显著性的车型识别方法。由于尺度显著性对图像均一亮度变化、缩放、旋转以及噪声都具有不变性,因此引入尺度显著性算法提取车辆图像的分类特征。最后采用RBF网络分类验证该方法对多种车型的识别。实验结果表明,提取尺度显著性特征能够有效地识别汽车车型。

EAST上基于图像显著性的快速边缘提取算法

为了满足东方超环(EAST)在等离子体位形实时控制中对系统延迟的要求,对EAST等离子体的边界特点进行分析后,提出一种基于图像显著性的快速边缘提取算法。该方法通过对显著性算法进行改进,计算图像数据的显著性值,可以获取等离子体图像显著性区域并寻找显著值的极值位置,从而得到等离子体的边界信息。为验证算法的有效性,对EAST等离子体放电的不同阶段分别进行了测试。实验结果表明,该方法可以有效、快速地获取等离子体的图像边缘并满足系统的实时性要求,在数据诊断方面为实现基于可见光的EAST等离子体位形实时控制提供了有效的支持。

面向目标检测的视觉注意机制波段选择研究

近年来,波段选择在高光谱图像降维处理中得到了广泛地应用,然而常用的数据降维方法并没能将与人类视觉系统相关的信息进行有效利用,如果将人类与生俱来的视觉注意机制能力应用到高光谱图像中目标的视觉显著性特征的增强或识别,对于高光谱图像的目标检测研究无疑会产生相当的促进作用。研究提出引入视觉注意机制理论应用于波段选择研究,构建面向目标检测应用的视觉注意机制波段选择模型。通过分析计算波段图幅的目标与背景的可识别程度,量化所在波段对地物目标与背景的判别能力,提出了基于目标视觉可识别度的波段选择方法;利用LC显著性算法进行空间域的视觉显著性目标分析,计算背景与目标的显著性差异绝对值,提出基于LC显著目标结构分布的波段选择方法。将这两种方法结合提出的改进子空间划分方法,建立面向目标检测的视觉注意机制波段选择模型,并经高光谱遥感AVIRIS San Diego公开数据集进行目标检测实验验证,结果表明所提出的基于视觉注意机制的波段选择模型对于目标检测应用具有较好的检测效果,实现了数据降维和高效的计算处理。

对比度和细节增强显著性检测方法研究

针对现阶段已经存在的显著性检测算法存在对比度不鲜明,显著图的图像细节不够明显,背景抑制不彻底的不足,提出一种基于对比度拉伸算法和用拉普拉斯算法改进Robert交叉梯度锐化的全频域显著性检测CRT算法,该方法利用FT算法自身运算速度快,具有去噪效果的优点以及对比度拉伸提升显著图对比度以及Robert梯度锐化算法提升边缘细节的特点以及提出的背景修正算法对背景能够进一步抑制的特点,最终将获得对比度更高,显著图细节更明显,背景抑制效果更好的显著图。该算法使用MSRA10K和THUR15K数据集做显著性检测检验,与其他6种流行的显著性检测方法做对比。从主观上得到显著图的对比度,图像细节均优秀于与它对比的6种算法。客观的指标显示,该算法用MSRA10K数据集进行显著性检测得到的MAE值是0.12,在THUR15K数据集上得到的MAE值是0.06,均优于与它对比的6种算法。平均结构性指标S-measure值为0.8,只略低于HC算法,优于其他5种算法。即该算法得到的显著图既具有对比度和图像细节增强,而且具有背景抑制效果更好的优点。

复杂环境下基于视觉显著性的人脸目标检测

当前复杂环境下人脸识别因受目标背景杂乱等因素影响,分类效果不理想。针对此问题,提出了基于视觉显著性的人脸目标检测方法,利用基于图论的视觉显著性算法(Graph-Based Visual Saliency,GBVS)提取复杂环境中的人脸目标的显著图,对显著图进行阈值分割和形态学操作得到二值人脸目标区域,以区域质心为中心,以区域边缘到质心的最小距离为边长,截取图像中的准确人脸区域,实现复杂环境下的人脸目标检测。在LFW数据库上的实验结果表明,所提算法能够准确地完成"抠图"的任务,具有较为理想的人脸检测效果,因算法实现过程无需人工干预,可有效摒除杂乱背景干扰,且提高了检测速度,实现了无监督的人脸检测,为智能化人脸识别提供了理论研究基础。

基于显著性融合的细粒度图像分类方法研究

针对细粒度图像存在的类内差异大、类间差异小和依赖数据标注的问题,提出了一种基于显著度融合改进细粒度图像分类的算法。该算法基于一种双输入的深度神经网络,包括显著性特征融合结构和特征提取网络两个部分。首先,根据Fusion层网络结构将原RGB图与显著图进行特征融合,显著图是由SALICON显著性检测算法计算产生;其次,为充分利用更高分辨显著特征的调制潜力,利用最大池化操作对数据空间进行降维操作;最后,借助迁移学习思想,把在ImageNet数据集上预训练好的深度神经网络模型Inception_V3.0作为基础特征提取模型,进一步提取高层语义特征。在公开数据集CUB200-2011和Stanford Dogs中进行对比实验,结果表明,该算法的分类准确率分别达到84.36%、84.94%,相较于Part R-CNN、LRBP等多个主流细粒度分类算法,本文方法能取得更好的分类效果。

基于语义关系的疾病知识提取系统

在生物医学领域,通过知识提取过程从海量的生物医学文献中提取疾病、基因和药物之间的关系并可视化显示,可以为临床医学实验提供有效的假设检验,推动生物医学科技的发展。为此,提出一种基于语义关系的以疾病为中心的疾病、基因和药物间的知识提取系统。利用Sem Rep得到特定主题Medline文献的语义输出,通过显著信息提取算法提取Sem Rep的语义输出关系。对照OMIM和GHR在线数据库进行评估,实验结果显示该显著信息提取系统的准确率可达0.76。

基于Hadoop的视频摘要技术的设计

随着现代社会的高速发展,公共安全面临着巨大的隐患,相应的视频监控也广布在了城市的各处。传统的利用人工快进和倒退,在海量的视频摘要中提取有用的图像和镜头不仅耗费大量的人力和物力,容错的效率也成为了急于要解决的问题。本文正是基于上述问题,对Hadoop的视频摘要技术的设计进行研究,并对如何利用Hadoop集群对视频摘要的图像进行高速、准确提取这一问题进行论述。

基于图形显著性检测的残差网络特征融合跟踪算法

目标的特征表达是目标跟踪过程的关键,人工特征相对简单,实时性强,但表征能力不足,在处理快速变化和目标遮挡相关问题时,容易产生跟踪漂移。深度神经网络(DNN)在目标检测和识别任务中的强特征表达能力,使DNN逐渐成为特征提取工具。采用更深层的残差神经网络(ResNet)替代VGG-19网络作为特征提取工具,首先将ResNet-50中的特殊附加层结构和卷积层特征进行融合,得到鲁棒性更强的目标表征特征。然后对特征进行相关滤波操作,根据最大响应值确定目标位置。最后,为扩展算法在局部目标跟踪领域的应用场景,采用基于图形的视觉显著性检测算法提高局部目标的权重值,抑制背景信息,以提升特征层的目标表征能力。

干式空心电抗器包封绝缘裂纹图像识别方法的设计与实现

针对电抗器包封图像裂纹识别,提出一种基于YOLOv3神经网络和视觉显著性来实现复杂环境下裂纹识别的改进方法。首先通过YOLOv3算法进行包封裂纹的缺陷定位;对于背景复杂的裂纹检测本文提出了一种改进的视觉显著性方法,对图像通过SLIC算法、高斯降噪算法进行预处理,最后用显著性算法计算后再对缺陷区域进行定位。结果表明,该方法的检测效果适用于实际场景。

An Uncertain Programming Model for Land Use Structure Optimization to Promote Effectiveness of Land Use Planning

Land use structure optimization(LUSO) is an important issue for land use planning. In order for land use planning to have reasonable flexibility, uncertain optimization should be applied for LUSO. In this paper, the researcher first expounded the uncertainties of LUSO. Based on this, an interval programming model was developed, of which interval variables were to hold land use uncertainties. To solve the model, a heuristics based on Genetic Algorithm was designed according to Pareto Optimum principle with a confidence interval under given significance level to represent LUSO result. Proposed method was applied to a real case of Yangzhou, an eastern city in China. The following conclusions were reached. 1) Different forms of uncertainties ranged from certainty to indeterminacy lay in the five steps of LUSO, indicating necessary need of comprehensive approach to quantify them. 2) With regards to trade-offs of conflicted objectives and preferences to uncertainties, our proposed model displayed good ability of making planning decision process transparent, therefore providing an effective tool for flexible land use planning compiling. 3) Under uncertain conditions, land use planning effectiveness can be primarily enhanced by flexible management with reserved space to percept and hold uncertainties in advance.