基于改进U-Net的冬季休眠期矮化苹果树修剪枝条分割方法

针对冬季休眠期矮化苹果树果园修剪中人工修剪及半自动化修剪作业效率低的问题,在U-Net网络模型基础上,通过VGG16与U-Net结合构建改进的U-Net网络模型,采用VGG16作为上采样特征提取网络,运用注意力机制SEnet增强图像特征提取能力,提升分割精度,进而与下采样提取的图像特征进行融合,实现端到端图像分割效果。结果表明,测试集上SE2网络模型(改进U-Net网络模型)的MIo U、MPA均大于原始U-Net网络模型;在SE2网络模型中,当r=8时测试集的MIo U、测试集的MPA、训练集的F_(score)、测试集的F_(score)均最大,分别为89.59%、94.17%、0.942806、0.944506;在试验台上对SE2网络模型(r=8)进行性能验证,表明SE2网络模型(r=8)分割性能较好。

一种改进萤火虫算法的指印图像分割方法

为提高指印图像准确率,有效提取指印采集图像中与指印相关的部分,提出一种改进萤火虫算法的指印图像分割方法。实验结果表明,与对比算法相比,该算法成功降低了时间复杂度,减少了计算所需的时间,并且算法表现稳定。

基于组合权重的Fisher最优分割法在水库汛期分期中的应用

针对Fisher最优分割法中多指标赋权仅考虑单一客观赋权法的不足,将基于信息论的熵权法和基于统计学原理的变异系数法、CRITIC赋权法引入到指标权重计算中,提出基于组合权重的Fisher最优分割法进行水库汛期分期。以水布垭水库为例,选取能反映洪水变化规律的旬平均流量、最大洪峰流量出现次数、旬最大一日洪量、旬最大三日洪量、旬最大七日洪量5个指标,采用基于组合权重的Fisher最优分割法进行汛期分期,并将分期结果与采用单一客观赋权法的分期结果进行对比分析,最后确定汛期分为3期最优,前汛期为5月1日至6月10日、主汛期为6月11日至7月31日、后汛期为8月1日至9月30日。研究结果表明:采用组合权重法确定权重既兼顾了熵权法、变异系数法、CRITIC赋权法的优势,又能直观地区分不同指标对汛期分期的影响程度,该方法适用于Fisher最优分割法中多指标权重的确定。

皮肤病灶图像分割方法的分析与探讨

皮肤癌是一种高发疾病,且发病率逐年递增,对人类的生命健康构成严重威胁。为此,研究人员提出了多种计算机辅助诊断模型,旨在提高诊断准确性的同时提高医生的工作效率。本文综合回顾了近年来与皮肤病灶分割相关的文献,分析了其中使用的各种方法,讨论了各种方法可能面临的问题,并对未来研究趋势进行了展望,希望能对皮肤病灶分割的发展起到一定帮助。

Fisher准则和正则化水平集方法分割噪声图像

随着活动轮廓模型的不断成熟和发展,模型的抗噪能力又成为重要的研究课题.为了精确地分割图像的同时去除图像的噪声,针对噪声图像用非负稳健函数作为边缘保持函数,从而保证图像在去噪的过程中边缘和纹理信息不被模糊.首先创造性地将分类器中的Fisher准则函数引入到图像分割中,从分类的角度对C-V模型给出了Fisher解释.把Fisher准则作为分割的标准来建立一个基于区域和边缘相结合的同时完成去噪和分割变分水平集分割模型.其次详细讨论了该模型的数值求解方法.最后实验验证了用Fisher值来衡量分割标准的理论的正确性和可靠性以及模型中正则项约束在去噪过程中的边缘保持功能.通过3组实验检验了提出的模型对噪声图像的去噪和分割比聚类算法、松弛迭代算法、Mean Shift算法有更好的效果.

联合边界感知和多特征融合的点云语义分割方法

针对当前大多数基于深度学习的点云语义分割方法容易忽略过渡区域的目标边界,造成边界处存在模糊特征的问题,提出了一种联合边界感知和多特征融合(boundary-aware and multi-feature fusion, BA-MFF)的点云语义分割方法。首先,对骨干网络进行优化,使得提取到的特征更具有鲁棒性;其次,设计了边界感知模块(boundary-aware module, BAM)关注过渡区域的目标边界,该模块包含边界点预测模块(boundary point prediction module, BPPM)和特征聚合模块(feature aggregation module, FAM);边界点预测模块通过学习邻域点特征预测出属于边界上的点,特征聚合模块在邻域内对点云特征进行判别聚合;最后,为获得更有鉴别性的特征,引入了多特征融合模块(multi-feature fusion module, MFFM)对不同通道之间的特征进行了融合。实验结果表明:该方法在ScanNetV2数据集上平均交并比(mean intersection over union, mIoU)达到63.7%,在S3DIS数据集上总体精度(overall accuracy, OA)和mIoU分别为88.2%和62.3%。该方法有效关注了过渡区域,具有一定的分割优越性。

基于Fisher准则的多阈值图像分割方法

针对目前阈值分割法存在的不足,提出了一种使用粒子群优化算法(PSO)与Fisher评价函数结合的图像阈值分割法。根据在自主研发的采用C++编写的完全图形化的图像处理平台上完成的实验结果证明,这种方法在很大程度上克服了背景与目标大小对分割结果的影响,并大大缩短了图像分割的时耗。

基于深度学习的高分辨率遥感图像分割方法

以往高分辨率遥感图像分割方法由于没有对遥感图像中的数据模点进行检测,导致分割精度不高,本文设计了一种基于深度学习的高分辨率遥感图像分割方法。首先,通过对遥感图像进行预处理,保留重要的细节信息;其次,对预处理后的遥感图像进行特征提取,并对特征提取后的图像进行滤波处理,增加图像光谱的一致性;最后,利用深度学习方法对遥感图像中的数据模点进行检测,得到遥感图像的最终分割结果。通过实验并与以往的高分辨率遥感图像分割方法进行对比证明基于深度学习的高分辨率遥感图像分割方法具有更高的分割精度。

基于智能Fisher和灰色后处理的图像分割方法

针对图像分割中最佳阈值选取及运算速度问题,本文提出Fisher准则和灰色关联分析有效结合的方法来给予解决.该方法首先引入模式识别理论中的Fisher判别准则,针对遍历目标函数速度慢的问题,结合PSO算法对其进行快速的优化处理,提高了工作效率,更快地逼近最佳阈值;最后根据图像的特点,采取灰色关联分析,对已经分割的图像进行再次处理,可以消除边界区域的信息对最终分割结果的不利影响,由此得到更为准确、精细的分割图像.

对称约束的类间方差阈值方法

为了提高现有最大类间方差法(OTSU)的阈值化精度和适应性,提出了一种对称约束的类间方差阈值方法。该方法首先对输入图像使用Prewitt算子构建梯度幅值图像,并根据对称性原则提取对称采样区;然后,基于构建的对称约束类间方差目标函数最大化准则选取阈值,并判断在此阈值下对称采样区是否满足对称条件;当无法满足对称条件时,基于对称采样区对输入图像进行对称修正处理,并应用对称约束的类间方差目标函数对修正后的对称采样区选取阈值;最后,使用最终选取的阈值对输入图像阈值化。在28幅合成图像和70幅真实世界图像集上比较了提出的方法与OTSU法及4种OTSU的改进方法的阈值化性能。实验结果表明,提出方法的误分类率在合成图像和真实世界图像上分别为0.0106和0.016,相较于阈值化精度第2的方法在误分类方面分别降低了91.4%和86.1%。提出的方法虽然在计算效率方面不占有优势,但它对不同模态的测试图像具有更稳健的阈值化适应性和更高的阈值化精度。

基于多尺度分割方法的斜坡单元划分及滑坡易发性预测

滑坡易发性预测可以有效预测潜在滑坡的空间位置,是滑坡危险性和风险性评价的基础。由于斜坡单元依据真实地形地貌划分和具有明确的地质特征意义,更多的学者尝试利用斜坡单元进行区域滑坡易发性预测。但是,如何高效准确地划分斜坡单元并考虑其内部环境因子的非均质性是制约斜坡单元应用的关键因素,也是目前研究中的难点。本文以江西省崇义县为例,首先,提取研究区域坡向和山体阴影图作为基础数据,采用多尺度分割(MSS)方法划分斜坡单元,并结合试错法和研究区域历史滑坡形态特征确定MSS方法的最优参数组合。然后,基于斜坡单元提取高程、坡度、剖面曲率等环境因子,分别导入支持向量机(SVM)和逻辑回归(LR)模型,构建Slope–SVM/LR易发性预测模型。通过变化值和标准差表征斜坡单元内部环境因子的非均质性,进而构建Variant Slope–SVM/LR易发性预测模型。最后,采用ROC曲线和频率比精度分析上述模型的预测精度。结果表明:1)当尺度、形状特征权重和紧致度权重参数分别取20、0.8和0.8时,研究区域斜坡单元的划分效果最好;2)Slope–SVM、Variant slope–SVM、Slope–LR和Variant slope–LR模型的ROC精度分别为0.812、0.876、0.818和0.839,相应的频率比精度分别为0.780、0.866、0.792和0.865,说明Variant slope–SVM/LR模型的预测精度高于Slope–SVM/LR模型。因此,MSS方法可以实现高效准确地自动划分斜坡单元,考虑斜坡单元内部环境因子的非均质性可以提高易发性预测结果的准确性。

基于卷积神经网络的车用锻件磁粉视觉检测裂纹分割方法

针对机器视觉磁粉缺陷检测中裂纹图像分割精度低的问题,文章提出一种利用两阶段卷积神经网络的自动智能化裂纹分割方法,第1阶段通过裂纹定位模型将含有磁痕的区域隔离出来,第2阶段通过裂纹分割模型从区域内分离磁痕和背景。在定位模型中引入通道注意力机制和空间注意力机制,屏蔽轮廓和噪声的干扰,增强对裂纹的敏感度。实验结果表明,采用文中提出的两阶段方法,裂纹分割平均精度达到97.8%,交并比达到85.7%,相比于其他方法,裂纹分割精度更高。

基于LDA-MURE模型的背景音乐自适应推荐方法

用户的情绪状态不同,需要的背景音乐也不同,因此提出基于LDA-MURE模型的背景音乐自适应推荐方法。提取背景音乐的音频特征和社会化标签,通过Fisher线性判别分析方法融合上述数据的特征,结合投影变换方法获得不同类别背景音乐的类内离散度和类间离散度。通过现代心理学分析人类情绪的节律周期变化,在此基础上判断用户当前的情绪状态。最后在LDA模型的基础上构建LDA-MURE模型,为用户推荐不同类别的背景音乐。实验结果表明,所提方法的MEA指标值较低、P@N指标值较高、用户满意度较高。

基于三维直方图的Fisher评价函数图像分割方法

提出了一种基于三维直方图的Fisher评价函数图像分割方法,该方法利用了图像像素点的灰度信息和邻域的均值信息及中值信息,给出了三维阈值分割方法。实验结果表明,相比较基于二维直方图的Fisher线性判别函数图像分割方法,在图像受高斯噪声干扰的情况下,该方法具有更好的分割效果。

基于自适应扰动信息模型的水平集分割方法

针对现有的分割模型对噪声信息敏感性高、分割模型不稳定、边界侧漏等问题,提出一种基于自适应扰动信息模型的水平集分割方法。该方法构建一种基于局部特征的扰动信息模型,促使在曲线演化后期因噪声、灰度不均等因素的干扰而自适应地跳出局部最优值,构造一种新的边缘检测函数,提高分割模型对弱边界图像的分割精度。实验对比结果表明提出的分割模型在高效性和抗噪性方面表现更优。

基于层次化混合模型的高分辨率遥感影像分割方法研究

高分辨率遥感影像具有同一目标区域内像素异质性增强、不同目标区域间像素同质性增强等特征,这给其分割方法的设计带来了困难和挑战。在统计意义上,高分辨率遥感影像的特征使其各目标区域内像素光谱测度统计分布主要呈现出非对称、重尾、尖峰和多峰等复杂统计特性,准确建模高分辨率遥感影像内像素光谱测度统计分布是获得高质量影像分割结果的有效途径之一。

一种针对脑部图像分割强度不均匀性的改进方法

强度不均匀性是医学图像中常见的问题,对图像的精确分割提出了许多挑战,图像分割是计算机视觉和计算的基础步骤,提出了一种基于模糊C均值(FCM)的能量最小化方法,将全局聚类和局部聚类相结合,用于磁共振(MR)脑图像的偏场估计和分割。该方法将MR图像分解为两个分量作为全局聚类项的优点,充分利用了表征组织物理性质的真实图像和解释强度不均匀性的偏置场及其各自的空间特性。MR图像的分解描述了整个图像中偏移场的变化,其中组织边界的某些深层变化细节可能会丢失。该方法利用了图像局部区域的不同偏移场的局部聚类项,较好地处理了不同组织间强度的深刻变化。由于局部聚类方法对偏移场的分布缺乏全局控制,此文利用了全局聚类和局部聚类的优点,考虑了两者的结合。在该方法中,通过能量最小化过程同时实现了偏移场估计和组织分割。用FCM迭代优化能量最小化问题,通过真实图像和合成图像与相关模型的对比实验,证明了该模型在偏差校正和分割精度方面的优越性。

基于显著性引导的保凸性水平集分割算法

结合彩色眼底图像中视神经盘的解剖学特征,引入零水平集曲线的曲率变化来优化活动轮廓模型,提出了一种全自动分割视神经盘的水平集算法CRLSF。该算法利用显著性算法快速获取初始轮廓,且该初始轮廓与视神经盘轮廓非常接近,大幅度提高分割效率。采用保凸机制能够使得曲线在演化过程中不受到视神经盘周围毛细血管的影响以保持分割曲线的凸性。最后,在迭代中引入目标函数来评估算法的收敛性。实验表明,提出的CRLSF算法优于已有的算法。

带有收敛因子的PSO-Fisher图像分割的方法

在大多数的实际应用中,仅仅将图像分成目标和背景两种类型是远远不够的。然而要实现三类、四类以致多类的分割,就必须研究多阈值的分割方法。以研究Fisher单阈值分割法为基础,利用带有收敛因子的PSO算法将Fisher评价函数来进行两阈值分割,最终推广到多阈值的基于Fisher评价函数的图像分割。并通过定误差图像分割实验证明了方法的有效性,保证了算法的收敛。同时证明了选择一个合适的粒子群规模可以使得带有收敛因子的PSO-Fisher算法在尽量少的迭代次数下提高算法的成功率。

基于双目立体视觉和轻量化神经网络的交通标志分割和识别

为了降低交通标志图像分割运算量,提出一种基于双目立体视觉和轻量化神经网络的交通标志分割和识别方法。使用已标定的双目立体视觉相机采集交通标志图像,并将其作为轻量化卷积神经网络的输入,通过卷积运算和池化运算提取交通标志的特征。在全连接层中,采用极限学习机和权值修正方法修正输出权值,从而得到交通标志的分割结果。实验结果表明,所提方法能够有效采集高精度的交通标志图像,并降低图像分割运算的复杂性,从而提高交通标志图像的应用性。