基于HSV+Canny模型、HED网络模型的衣物轮廓提取算法研究

针对边缘检测算法在衣物轮廓提取过程中易受噪声影响的问题,采用传统的图像处理方法和深度学习方法对衣物轮廓提取算法进行研究。传统的图像处理方法主要基于HSV模型和Canny算法,首先,通过HSV模型分割前景图像;然后,对二值化图像进行形态学处理;最后,利用Canny算法提取衣物轮廓,此方法能准确地提取大部分颜色的衣物轮廓。深度学习方法主要基于HED网络模型,针对HED网络模型输出边缘定位缺失和较为粗糙等问题,对HED网络模型进行改进,首先,去除第3、4阶段的池化层;然后,在特征融合阶段引入注意力机制;最后,融合Canny算法进行边缘细化。对比实验结果表明:HSV+Canny算法比Canny算法的ODS值和OIS值分别提升了13.16%和14.72%,检测速度有小幅提升;改进的HED网络模型比HED网络模型的ODS值和OIS值分别提升4.84%和3.97%的同时,检测速度持平。

改进HED网络的金属零件二维条码分割方法

针对复杂环境金属件标刻的DM码因磨损、腐蚀等原因,导致传统图像分割算法难以精确定位的问题,提出一种基于改进HED网络的金属零件二维条码分割方法。在原HED网络上对主干特征提取网络改进,采用空洞卷积扩大感受野保留DM码全局信息;改变特征融合模块,增加两层卷积运算充分融合深监督模块输出的多尺度特征,提取区域轮廓完成DM码区域分割;使用LSD算法寻找区域分割图中的直线,经过直线聚类减少非感兴趣直线产生的干扰,实现二维条码区域精确分割定位。实验结果表明,该模型在全局最佳(ODS)和单图最佳(OIS)精度评定中F1值分别达到0.813和0.825,平均定位准确率达到97%。

基于改进HED网络模型的破碎矿石图像分割方法

矿石的粒度大小是评判破碎机破碎效果的重要参考,而图像分割是矿石粒度检测的关键步骤。针对破碎矿石形状复杂、粘连和堆叠以及图像噪声严重而导致图像分割不准确的问题,提出一种基于改进HED(Holistically-Nested Edge Detection)网络模型的破碎矿石图像分割方法。首先,对采集的矿石图像进行双边滤波预处理操作,减少噪声对分割的影响;其次,使用残差可变形卷积块替代普通卷积块以增强模型对不同大小形状矿石的特征提取能力,并利用空洞卷积替代原有的池化层以扩大感受野,保留矿石的全局信息;最后,使用具有底部短连接结构的HED网络框架对矿石进行特征提取,并将提取的特征与低级的细节信息相融合,减少对粘连和堆叠矿石颗粒的欠分割问题。