不连续相位跳变点的三维深度分割

本文提出了一种简易的三维深度分割技术,该技术能够对存在突变表面的物体的不同深度区域进行分割。为实现该项技术,首先需要搭建由投影仪、相机和物体组成的深度分割平台。由投影仪向被分割物体投射一系列相移数字光栅;数字光栅经物体表面调制,被相机采集并存入计算机中待后续处理。将所采集的序列数字光栅进行顺序置换操作,依次获得三种序列的数字光栅组,通过最小二乘法对不同序列光栅组进行解相位并因此得到包裹相位组。包裹相位组经差分与相交运算后,可获得相交边缘;对相交边缘进行图像增强操作后即可对不同三维深度的不连续区域进行分割。仿真结果表明,对于900 pixel×900 pixel范围的复杂面型,该算法的分割偏移误差仅为2 pixel。实验结果表明该技术能够对多个不同深度的相似颜色物体进行精确的分割。因此,本方法具备低消耗,高精度三维深度分割的能力。

基于边缘检测的数字媒体深度交互式图像分割算法

针对数字媒体深度交互式图像受噪声干扰,导致其边缘检测效果较差,影响其分割精度的问题,提出基于边缘检测的数字媒体深度交互式图像分割算法。首先,利用小波变换方法对数字媒体中的图像进行去噪处理,提高图像分割精度;其次,使用高斯函数与低通滤波增强去噪后的图像,提高图像的清晰度,为图像分割提供便利;最后,依据自适应阈值算法对数字媒体的图像进行边缘检测,像素合集中存在上下阈值。根据其上下阈值的计算求出像素合集中的高低两个阈值,并对其实施边缘连接,实现数字媒体图像分割。实验结果表明,所提方法对分割数字媒体图像去噪效果好,分割精度和效率高。

Snake模型与深度凹陷区域的分割

在基于Snake模型的图像分割中,深度凹陷区域的分割是一个难点.尽管GVFSnake模型极大地改善了这个问题,但它需要事先求解一个偏微分方程组,增大了计算量;同时,GVFSnake模型在初始化时还存在一个“临界点”问题.探讨了深度凹陷区域的分割,用离散轮廓上顺序3点所成三角形内切圆圆心来定义离散轮廓的曲率,该曲率既能反映轮廓的弯曲程度,又具有合理的方向.基于该曲率定义了曲率外力项,构造了基于Snake模型的两阶段算法,先采用传统Snake模型使离散轮廓逼近目标边缘,然后在曲率外力的作用下使离散轮廓进入目标的凹陷区.曲率外力项的引入能较好地解决深度凹陷区域的分割问题,也可以扩展该外力项来扩大Snake模型的捕捉范围.实验结果表明该方法是有效的.

基于法向分量边缘融合的深度图像分割

针对深度图像边缘较难分割的问题,提出一种基于法向矢量分量边缘信息融合的深度图像分割方法。计算深度图像中每点的法向矢量,提取法向矢量的x、y分量并构建灰度图,融合Sobel算子的边缘检测结果得到深度数据的初始分割,通过细化处理得到最终分割结果。实验结果表明,该方法得到的分割区域边界闭合完整,分割质量较高。

基于深度语义分割的无人机多光谱遥感作物分类方法

为精准获取农田作物种植分布信息以满足农业精细化管理需求,基于Deep Lab V3+深度语义分割网络提出了一种面向无人机多光谱遥感影像的农田作物分类方法。通过修改输入层结构、融合多光谱信息和植被指数先验信息、并采用Swish激活函数优化模型,使网络在响应值为负时仍能反向传播。基于2018—2019年连续2年内蒙古自治区河套灌区沙壕渠灌域的无人机多光谱遥感影像,在2018年数据集上构建并训练模型,在2019年数据集上测试模型的泛化性能。结果表明,改进的Deep Lab V3+模型平均像素精度和平均交并比分别为93.06%和87.12%,比基于人工特征的支持向量机(Support vector machine,SVM)方法分别提高了17.75、20.8个百分点,比Deep Lab V3+模型分别提高了2.56、2.85个百分点,获得了最佳的分类性能,且具有较快的预测速度。采用本文方法能够从农田作物遥感影像中学习到表达力更强的语义特征,从而获得准确的作物分类结果,为利用无人机遥感影像解译农田类型提供了一种新的方法。

基于随机Hough变换的深度图像分割

提出了基于随机Hough变换的深度图像分割算法,该算法采用随机Hough变换在深度图像中寻找平面,具有对噪声不敏感的优点通过对一常用深度图像数据库(ABW图像库)的分割实验,并将实验结果同4种经典的深度图像分割算法在同一数据库中的分割结果作了比较分析,表明该算法对噪声不敏感。

微分运算与形态学深度图像分割比较

首先研究了深度图像基于微分不变量和形态学边缘检测算子的两种常用分割方法,接着提出了一种改进的形态学水线区域分割方法,并用同一物体的深度图像进行对比分析实验。实验结果表明:改进算法的速度较基于微分不变量的分割方法快,但略慢于基于形态学边缘检测算子的分割方法;改进算法提取的边缘较前两种分割方法光滑,分割结果与人的主观视觉感知具有良好的一致性。

基于深度预分割结合Camshift跟踪算法的动态手势识别方法

针对现有改进的Camshift手势跟踪算法没有考虑光照变化影响下的鲁棒性,进而降低了动态手势的识别率,提出一种基于深度预分割结合Camshift跟踪算法的动态手势识别法.通过在Camshift手势跟踪的基础上引入深度信息,对手势搜索区域进行深度预分割,改进手势目标匹配概率,去除非手势肤色区域及光照变化的影响,最后用隐马尔可夫模型（HMM）进行识别.实验结果表明,提出的方法在光照变化及肤色干扰的环境下有很好的鲁棒性,数字0～9的平均识别率可达97.7％.

深度图像分割中的面元优化描述

该文提出了一种新的参数化面元的优化描述方法,基于二次型面表示模型,物体表面参数由深度图像数据拟合得到,基于一种改进的纠偏曲面拟合方法,提出了一个正态分布概率模型来描述面元估计的统计性质,并显式定义了面元描述的可靠性度量,以面元提取为目的,提出了一种新的基于参数估计的深度图像分割方法,在建立区域一致性判别优化准则的同时,使得区域增长总是收敛于所提取面元的“最可靠”描述,文中给出了实际深度图像分割的实验结果。

基于深度图像分割与物体跟踪的增强现实系统

提出一种能实现虚、实物体互动的增强现实解决方案。该方案中,采用Kinect等设备获取现实场景的深度图像,并基于深度图像对实景中的物体进行分割及动态跟踪。在场景分割时,提出一种基于先验知识的分割策略,首先识别出场景中先验存在的大平面,然后再对剩下的点云数据进行聚类,该方式对室内桌面场景分割效果良好。在物体跟踪时,采用了基于粒子滤波的三维跟踪算法,该过程中同样可以通过先验的大平面信息进行加速。该方法为实现虚、实物体互动提供了一种高效、便捷的实现方案。

基于高斯混合模型聚类的Kinect深度数据分割

基于深度图像的室内场景理解是计算机视觉领域中的前沿问题。针对三维室内场景中平面较多的特性,提出一种基于高斯混合模型聚类的深度数据分割方法,实现对场景数据的平面提取。首先将Kinect获取的深度图像数据转换为离散三维数据点云,并对点云数据作去噪和采样处理;在此基础上计算所有点的法向量,利用高斯混合模型对整个三维点云的法向集合聚类,然后利用随机抽样一致性算法对各个聚类进行平面拟合,由每个聚类得到若干平面,最终把整个点云数据分割为一些平面的集合。实验结果表明,该方法得到的分割区域边界准确,分割质量较高。提取出的平面集合为以后的室内对象识别和场景理解工作奠定了较好的基础。

多特征组合的深度图像分割算法

深度图像直接反映景物表面的三维几何信息,且不受光照、阴影等因素的影响,对深度图像处理、识别、理解是目前计算机视觉领域研究的热点和重点之一。针对深度图像信息单一且噪声较大的特点,提出一种基于组合特征的阈值分割算法,实现对深度图像数据的有效分割。算法首先通过梯度特征对图像进行Otsu阈值分割;在此基础上,分别在不同分割区域内利用深度特征进行Otsu多阈值分割,得到候选目标;然后,在空域上利用像素的位置特征对候选目标进行分割、合并与去噪,最终得到图像分割的结果。实验结果表明,该方法能有效克服深度图像中噪声的影响,得到的分割区域边界准确,分割质量较高,为以后的室内对象识别和场景理解工作奠定了较好的基础。

基于深度语义分割的重叠烟叶分级方法

目前,烟叶主要依靠技师手工去分级,耗时耗力,效率低下,现有的一些自动烟叶分级方法在实际应用中分级准确率偏低,对于重叠在一起的烟叶更难以给出较好的分级结果。为此,提出一种基于深度语义分割的重叠烟叶分级方法。利用语义分割网络DeepLabv3+将重叠的烟叶进行分割,提取分割后的单片烟叶的颜色、纹理、形状特征,采用F-score对提取的特征进行筛选,使用多个支持向量机集成学习的方法进行分级。实验得出在多个单片烟叶数据集上平均分级准确率达到71.23%,在两片烟叶重叠数据集上的实验达到48.49%的准确率。

基于Kohonen神经网络的深度图像分割方法

提出一种基于Kohonen神经网络无监督的深度图像分割方法。首先计算了深度图像各点的导数,进而得到各点的法向,以法向和深度值作为每一点的特征矢量,引入自组织神经网络进行初始的聚类;为消除初始聚类产生的过分割现象,采取相邻表面片法向分析的方法进行再分割,得到最终的分割结果。本方法避免了通常的区域分割方法初始种子不易选取的弱点,聚类所用样本少,速度快。

数字照相机色彩分割记录方式与特点

本文提出了色彩分割记录的概念,并将之分为时间分割、空间分割、通道分割、深度分割四种基本类型加以分析。

基于视觉注意力增强CBAM-U-Net模型的视网膜血管分割

针对现有视网膜血管分割方法存在着分割不足、抗干扰能力弱等问题,提出了一种基于视觉注意力增强模型的视网膜血管分割方法。首先,通过白平衡和滤波对视网膜眼底图像进行增强预处理;然后,在医学图像分割网络中引入视觉注意力模型,提高视网膜血管特征的显著性,利用构建的深度分割网络进行模型训练;最后,利用训练得到的模型进行视网膜血管的分割预测。该方法在DRIVE和STARE两种数据集上进行实验,得到的Dice分割系数分别为0.867和0.898,Jaccard分割系数分别为0.765和0.816,平均准确率分别为97.53%和98.25%,平均灵敏度分别为80.16%和86.12%,平均特异性分别为99.87%和99.03%,实验结果表明该方法能够有效提高视网膜血管的分割精度。

基于深度视频的人体行为特征表示与识别

深度视频中的人体行为的识别研究主要集中在对深度视频进行特征表示上,为了获得具有判别性的特征表示,首先提出了深度视频中一种基于表面法向信息的局部二值模式(local binary pattern,LBP)算子作为初级特征,然后基于稀疏表示模型训练初级特征字典,获取初级特征的稀疏表示,最后对用自适应的时空金字塔划分的若干个子序列使用时空池化方法进行初级特征与稀疏系数的规格化,得到深度视频的高级特征,最终的特征表示实现了深度视频中的准确的人体行为识别.在公开的动作识别库MSR Action3D和手势识别库MSR Gesture3D上的实验证明了本文提出的特征表示的有效性和优越性.

基于残差双注意力U-Net模型的CT图像囊肿肾脏自动分割

人体肾脏存在形状的多样性和解剖学的复杂性,囊肿病变也会导致肾脏形状发生大幅变化。为应对CT图像囊肿肾脏自动分割存在的诸多挑战,提出一种新型深度分割网络模型。该模型设计有带残差连接的双注意力模块,在残差结构的基础上,联合空间注意力和通道注意力机制自适应学习更加有效的特征表达。依据U-Net架构,以残差双注意力模块为基础模块构建编码器和解码器,设置层级间的跳跃连接,使网络能够更加关注肾脏区域特征,有效应对肾脏的形状变化。为了验证所提模型的有效性,从医院共采集79位肾囊肿患者的CT图像进行训练和测试,实验结果表明该模型能够准确分割CT图像切片中的肾脏区域,且各项分割指标优于多个经典分割网络模型。

基于网格采样的深度图像表面特征提取算法

深度图像的高级特征提取是3维视觉一个重要研究领域。为了提高对大量离散3维数据的处理速度,简化算子结构,本文提出一种新的方法,将单目或多目结构光传感器采集的离散3维数据点云转换成深度图像形式,使z方向代表深度,并实现x、y方向数据的规则网格采样。接着提出一种深度图像分割算法,先对整幅图像进行边缘提取,得到阶跃和褶皱两种边缘,采用主成分分析法(PCA)通过计算欧氏距离得到面的法线方向和方向间的夹角。经过两类传感器采集到的大量图像实验证明,该算法明显优于单纯的边缘或者区域算法,具有良好的抗噪声性能,满足并行在线测量的要求,并且不受物体形状的约束,可以应用于3D模型重建、机器人自主导航、逆向工程、文物数字化等多个3维视觉领域。

基于改进U-Net网络的苹果叶部病害语义分割方法

针对自然条件下苹果叶部病斑分割与识别效果欠佳的问题,本文提出一种融合条件随机场和卷积块状注意力模块的苹果叶部病害语义分割模型,实现苹果叶部锈病、褐斑病、灰斑病及斑点落叶病的病斑准确分割和识别。本文在U-Net模型基础上,使用ResNet50为骨干网络防止梯度消失问题,并分别在跳跃连接分支与上采样层加入卷积块状注意力模块,减少训练过程中的分割精度损失,融合Dice Loss和Focal Loss降低损失波动,最后利用条件随机场优化分割结果,获取病斑掩模图像,实现对苹果叶部病害语义分割。本研究在自制苹果叶部病害数据集上进行试验,分析了光照、阴影及水滴等因素对分割结果的影响。试验结果表明:本文构建的语义分割模型相比传统U-Net模型,平均分割精度(mIoU)提升8.24百分点,平均分类精度(mPrecision)提升11百分点,类别平均像素准确率(mPA)提升6.09百分点,受光照不均、雨滴的影响更小,具有更好的鲁棒性和可靠性。