基于改进U-Net的壁画颜料层脱落病害区域提取

颜料层脱落区域的提取是壁画科学保护和修复的重要环节,由于标准U-Net在传播过程中低维的细节信息逐渐减弱,使得病害区域提取精度受到限制。因此,本文提出一种改进型U-Net网络,用于壁画颜料层脱落病害区域提取。首先,通过影像裁剪和预处理得到青海省瞿昙寺壁画图像数据集。其次,在编码层中引入空间金字塔池化层,构建一种低维特征信息保留结构。同时,在解码层中通过池化索引上采样,减少图像边缘信息在反卷积过程中的损失。最后,在瞿昙寺壁画图像数据集上进行验证。结果表明,改进U-Net方法在IoU和F1-Score两项评价指标上的均值分别达到82.7%和90.5%,优于SegNet及标准U-Net,证明了改进U-Net网络模型对壁画颜料层脱落病害区域提取的有效性,可为壁画保护现状调查提供依据。

基于可量测影像的井壁病害面积精确提取

竖井井筒病害巡检是矿井安全监测的重要内容,高精度的病害面积提取为评估病害等级、研究病害发育等提供了有力的数据支撑。利用竖井井筒病害巡检系统对井壁原始影像进行拼接配准,可以得到带有空间坐标位置的粗精度井壁拼接图像。在此基础上,对这些影像利用竖井井壁罐梁分布特征取特征点并结合Givens变换求解纠正多项式进行分块空间纠正,得到高精度配准图像,最后通过计算机图形区域生长算法,提取病害图形得出高精度的病害面积数据,满足了实际应用的需要。

基于图像内容的沥青路面病害区域分割算法

针对CCD采集的沥青路面病害图像分辨率过高且含信息的有效区域占比少的问题,提出一种基于图像内容的沥青路面病害图像区域分割算法,以剔除路面图像中的无效区域.首先通过预处理和病害提取过程将原图像处理成包含病害特征的二值图像;然后通过计算整幅图像中含信息像素的上下比和左右比,得到初始化遍历方向,并统计各行(或列)的含信息像素总数;最后从初始化遍历方向开始遍历并丢弃含信息量最少的行(或列),最终得到分割后的图像.为验证算法的有效性与合理性,采用图像信息熵作为算法评价标准与传统算法进行对比分析.实验结果表明:本文算法在有效降低图像分辨率的前提下能很好的保留病害目标信息,提升图像信息熵.

基于光谱降维与Hu矩的壁画颜料层脱落区域提取方法

颜料层脱落区域的提取是壁画现状调查的重要环节,由于其光谱特征与壁画白色图案较为相似,仅利用光谱特征提取的精度较低。因此,提出了一种兼顾光谱特征和Hu矩形状特征的颜料层脱落区域提取方法。首先,利用壁画高光谱图像的光谱信息,经光谱降维,采用支持向量机监督分类法提取颜料层脱落区域与白色图案。然后,对颜料层脱落区域与白色图案分类结果分别进行连通,将连通后的图斑视为最小识别对象,利用Hu矩计算每一个对象的形状特征,采用支持向量机二分类再次区分对象图斑,实现颜料层脱落区域的半自动提取。最后,以青海省瞿昙寺壁画高光谱图像进行了提取。结果表明,该方法能提高颜料层脱落区域的提取精度,为壁画的现状调查提供支撑。

基于病斑特征融合的烟草病害图像检索方法

针对目前烟草病害诊断专家系统依靠肉眼获取病害特征,致使病害诊断存在不确定性、误判等现象,提出了一种基于病斑特征融合的烟草病害图像检索方法以诊断病害。通过图像处理技术分割病害图像病斑,提取病斑的颜色、纹理、形状特征,依据双编码遗传算法和支持向量机识别病害模型对病斑特征降维,以获取表征病害的有效特征及权重。将有效特征归一化处理后与病害图像数据库系统中的病斑特征进行图像相似度距离计算,按距离大小返回一批相似图像,依据相似图像获取病害描述及防治措施。以烟草7种常见病害进行试验表明,融合病斑的颜色、纹理、形状特征检索病害图像,查准率和查全率明显比用单个特征检索的高。用这种方式诊断烟草病害,不但有较高的病害识别率,还能使诊断结果可视化,将其用于烟草病害诊断专家系统,将提高系统的鲁棒性,为实现病害的远程在线诊断提供条件。

基于Dual Dense U-Net的云南壁画破损区域预测

壁画破损区域预测是壁画虚拟修复工作的重要环节,针对现有方法在预测云南少数民族壁画破损区域时容易出现破损区域预测不全、对纹理复杂区域的破损边界预测不准确等问题,提出了一种基于U-Net改进的Dual Dense U-Net分割模型,通过增强破损区域位置特征和纹理特征,获取更多的判别信息,以提高破损掩膜预测的准确度。为使模型能更有效地学习壁画特征,建立了一个包含5 000张云南少数民族壁画图像的分割数据集。Dual Dense U-Net模型利用融合模块去对壁画图像进行多尺度融合,减少壁画图像在前馈过程中的局部纹理信息和空间位置信息损失。首先,利用U-Net结构对输入的壁画图像进行信息提取,融合模块有多个深度可分离卷积,能够提高融合模块效率以及分割精度;其次,融合模块连接两个U-Net,进一步加强浅层特征与深层特征间的联系。实验结果表明,该模型在IoU与Dice评价指标较UNet++提高了3个百分点,模型预测得到的破损区域能显著改善壁画修复网络的修复效果,验证了该模型在壁画破损区域预测领域的有效性。