基于最小障碍距离的羊场显著目标检测

为实时准确实现奶山羊场图像的目标检测,以最小障碍距离为基础,提出一种显著目标检测方法。对基于最小障碍距离的FastMBD算法进行改进,并进行距离变换生成距离图,初步消除背景干扰;通过计算边界先验显著度得到边界先验图,进一步消除背景影响;利用指数融合的方法融合距离图与边界先验图并进行后处理,实现奶山羊场图像的显著目标检测。利用基于K-Means算法的阈值分割方法分离目标和背景,通过水平扫描法和划线法实现羊只目标的提取及计数。实验结果表明,该方法对于奶山羊场图像目标检测的准确率可达90.962%。

基于显著性检测的图像简化

图像简化作为机器视觉、计算机视觉中的一项重要任务,对于提高网络传输效率、加速视觉算法分析处理具有重要意义.针对传统图像简化模型中存在的目标、背景不加区分及尺度效应等问题,提出了一种新的基于显著性检测的图像简化模型,模型首先采用MB+显著性检测算法计算图像的目标显著区域,然后在CIE Lab颜色空间中对L波段上的背景区域进行快速水平集变换,最后按照设定准则合并背景中的非主导区域并输出简化后的图像.

基于MBD的乳腺超声图像肿瘤分割方法

计算机辅助诊断(CAD)系统越来越多的应用于临床乳腺超声检查中,乳腺超声图像肿瘤分割在CAD系统中扮演着关键角色,决定最终的分析质量。现有分割方法在图像质量、先验知识、数据量等方面有着一定的要求和限制条件,适应性存在很大的局限。根据乳腺超声图像的特点,参考视觉注意力机制,将基于最小障碍物距离的显著性检测算法应用于乳腺肿瘤的分割任务中。实验表明,该方法能够更为精确地分割乳腺超声图像中的肿瘤部分,即使在超声图像质量很差的情况下也能达到很好的分割效果,具有更好的适应性。