基于局部灰度熵的人体检测方法

针对造成低对比度环境下运动人体检测困难的两个主要因素:拍摄时光线昏暗和拍摄时距离较远,引入局部灰度熵概念,根据局部灰度熵可以准确地反映样本的离散程度且与样本的灰度均值无关这一原理,提出基于局部灰度熵的人体目标检测算法。建立背景模型,运用泰勒展开式简化局部灰度熵计算公式,计算邻域窗口内运动物体与背景模型的局部灰度熵值之差,通过检测率与虚警率对算法进行的评价,得到两种低对比度情况下可以获取运动人体目标的局部灰度熵差值的最佳阈值。实验结果表明,在低对比度环境下,基于局部灰度熵的人体检测算法能够有效地检测出运动人体目标。

基于局部平均灰度熵的快速图像修复算法

使用块拼贴的基于样本的图像修复算法运行时间主要取决于最佳样本块匹配步骤的执行效率。目前算法普遍采用全局搜索获取样本块,逐一与待修复块进行相似性比对,修复质量和修复效率依赖于采样区域的范围大小。为提高计算效率,提出一种基于局部平均灰度熵的图像修复算法,在每次迭代中根据待修复块邻域窗的平均灰度熵自适应确定采样区域范围。实验结果证明,所提算法相较经典Criminisi修复算法提高了修复质量,且大大提高了修复效率。

基于模糊熵的GLLE熵阈值分割方法

图像分割是计算机视觉中基础且重要的一个问题.熵阈值图像分割作为一种有效的分割方法,被广泛应用于模式识别和图像处理中.传统的图像分割方法并不能获得足够有效的图像特征.为解决这个问题且进一步探究熵阈值在图像分割中的应用,引入一种GLLE(Gray Level and Local Entropy)二维直方图改进熵阈值图像分割模型,并提出了基于模糊熵的方法计算所建立的二维直方图模型.通过标准实验数据集上的对比实验表明,基于模糊熵的GLLE熵阈值分割方法可以得到更加准确的阈值,提高了分割精度.同时在处理不同类型图像的表现上优于往常的算法,具有更强的鲁棒性.

基于灰度分析的路面裂缝图像分类算法研究

为了应对传统人工调查方法已不能适应当今道路养护管理发展需求的问题,从提高路面图像分类检测效率的需求角度出发,设计基于图像掩膜的去噪增强算法,采取路面图像的灰度作为分类特征,并且设计路面图像子块灰度方差的最值之差、一幅路面图像中子块图像方差的最值之差超过阈值的子块图像数量,以及子块图像灰度熵的最值之差为特征的分类算法,并引入神经网络进行路面图像的分类.实验结果表明,相对于中值滤波、均值滤波、偏微分方程、掩膜增强算法,所选取的图像去噪增强算法能够保留路面图像中的细微裂缝;且图像分类算法具有高检测率,零误检率,能够实现大规模路面图像的快速、准确分类.此外,所建立的分类算法能够保证分离出的完好图像中,不会掺杂路面裂缝图像,可以降低后续对路面裂缝图像处理的工作量,且其能为公路养护管理的决策提供依据.

基于小波分解与多约束改进的序列图像配准

序列图像配准是光学影像超分辨率重建应用中的关键技术,针对如何提高序列图像超分辨率重建过程中配准的速度和精度问题,提出了一种基于小波分解和改进的多约束准则相结合的配准方法。首先对参考帧和待配准帧进行小波分解,生成小波图像金字塔以缩小搜索空间。其次,从金字塔最高层开始利用由局部灰度熵准则、灰度相似性准则和简化欧式距离比例不变准则构成的改进多约束准则提取同名特征点对,利用最小二乘法计算初始配准参数,然后逐层向下,对配准参数进行修正,实现由粗到精的配准。最后,利用模拟生成图像序列与实际获取图像序列进行测试。实验结果表明该方法在参数获取达到较高精度的情况下能有效提高配准速度,具有较好的效果。

基于视觉注意机制PCNN模型的车牌图像分割方法

车辆图像中车牌具有所占比例小、位置不固定、大小不一,以及分割易受光照影响的特点.因此,车牌图像的分割始终是车辆跟踪、车辆识别等领域中的难点问题.针对以上问题,本文提出了基于视觉注意机制脉冲耦合神经网络模型的车牌图像分割方法.该方法将视觉注意机制中的数据驱动模式和任务驱动模式相结合.数据驱动模式中,通过对PCNN模型细胞感受野功能的完善,使优化PCNN模型具有了尺度性和方向性.任务驱动模式中,针对不同尺度的分割,利用组合不变矩和局部灰度熵,自适应地确定目标的特征尺度和最佳尺度,并确定该目标最终的分割结果.经实验验证,该方法对车牌图像具有较好的分割效果.

基于C-V模型和MRF的脑部MRI分割

为准确分割脑部磁共振图像(MRI)的灰质、白质和背景,提出一种基于C-V模型和马尔可夫随机场的全自动分割方法。采用C-V模型与形态学相结合的方法对脑MRI进行预处理,去除多余脑组织,获得待分割图像。引入灰度场局部熵的思想对惩罚因子进行估计,利用马尔可夫随机场模型建模实现脑灰白质的分割,并运用形态学方法获得最终分割结果。对96幅IBSR图像和46幅临床图像进行实验,结果表明,该方法能够实现脑部MRI灰白质的全自动分割,且具有较好的分割精度和较快的处理速度。