基于纹理均衡和灰度差异的图像二值化

根据图像处理中最基本的目标检测算法,用图像的前景图片信息减去背景图片信息的方法就可以检测到目标。本文基于上述减背景的目标检测算法,进行视频序列的二值化处理。处理过程中不仅利用了图像间的灰度差信息,还整合了分块区域内图像的纹理方差信息,结果使二值化目标更加充实饱满,同时也消除了部分白噪声。

基于残差神经网络的不均衡纹理图像分类方法研究

纹理作为图像的一种物理属性,可以较好地描述图像,所以就被广泛应用在图像分类中。现提出基于残差神经网络的不均衡纹理图像分类方法研究。在残差网络支持下进行特征提取,分割不均衡图像,完成残差块的识别分类。根据实验结果能够明显看到,采取基于残差神经网络的不均衡纹理图像分类方法进行图像分类的像素正确结果显然是比其它传统方法要高,这说明基于残差神经网络的不均衡纹理图像分类方法的高频子带含有图像较多的边缘、方向以及细节信息。在图像分类的精确度上,具备较高的有效性。

基于改进多尺度形态学的裂缝图像去噪算法

AGV小车行驶场地中地面的光照不均、对比度低,背景复杂会导致裂缝图片采集时图像偏暗并带有较多混合噪声,传统去噪算法不能有效去噪。针对传统算法的不足,提出一种基于改进多尺度形态学的裂缝图像去噪算法。选取一个合适的结构元素,将其循环膨胀得到形状相同大小不同的多个结构元素,用得到的多个结构元素依次对裂缝图像开运算处理并将处理结果叠加,再使用纹理均衡的补偿方法处理结果并输出。通过与传统中值滤波、均值滤波、多尺度形态学滤波等方法比较,提出的新方法不仅能够降低图像中的噪声,有效地保护裂缝边缘,同时有利于裂缝特征的分割。