基于兴趣区域的特征匹配的电子稳像方法

为提高电子稳像技术中运动矢量估计的准确性,采用基于兴趣区的特征点匹配进行运动矢量估计。该算法选取图像的兴趣区(ROI:Region of Interest)进行Harris的特征点检测,将ROI内的特征点稀疏化,利用SAD准则在相邻帧的特征窗内寻找匹配点对和距离准则剔除误匹配点进行逐帧运动补偿。实验结果验证了该算法的有效性。

提高车道线识别精度的方法

提出了一种在前方车道图像中建立高分辨率的ROI(Region Of Interest)即感兴趣区域,并在其中建立搜索带以提高车道识别精度的方法,实验证明这种方法能够更好的处理非理想路况的各种不确定因素,除了能更精确的追踪车道标志线之外,还能更好的应用于前方图像出现噪声、阴影以及路面反光等不利情况。由于高分辨率ROI的建立,在不增加运算时间的前提下,识别精度却更加提高,同时整个运算过程的计算量大大减少。

一种适应运动前景的快速行人检测算法

针对智能监控视频中行人的运动特性和基本HOG加SVM人体检测算法的特点,将运动目标检测算法融入基本的HOG加SVM人体检测算法。首先,利用运动目标检测算法确定运动区域矩形窗,并扩大调整矩形窗尺寸获得ROI窗口;然后,根据运动区域尺寸与训练样本尺寸的差距调整ROI窗口的首级窗口缩放因子,并对ROI窗口进行人体检测。实验结果表明,本文算法优于基本的HOG加SVM人体检测算法,具有良好的实时性和适应性。

图像处理在基于Web服务的医疗影像管理系统中的实现

传统的医疗影像管理系统是基于专门的工作站及封闭的系统结构,由于近年来互联网技术的迅猛发展,已经用来进行有效的、低成本的生物影像信息传递。本文讨论了基于Web的医疗影像管理系统中,图像处理模块所涉及到的设计思想及主要功能的实现。

基于道路特征点建立前方可行区域的一种方法

本文提出了一种在前方车道图像中建立高分辨率的ROI(Region Of Interest)即感兴趣区域,并在其中建立搜索窗口以提高车道识别精度的方法,实验证明这种方法能够更好的处理非理想路况的各种不确定因素,除了能更精确的追踪车道标志线之外,还能更好的应用于前方图像出现噪声、阴影以及路面反光等不利情况。由于高分辨率ROI的建立,在不增加运算时间的前提下,识别精度却更加提高,同时整个运算过程的计算量大大减少。

基于工件窗口的发动机装配车间滚动调度

针对航空发动机装配车间因订单变更,机器故障等随机扰动造成静态调度结果失效问题,建立了重入式混合车间Flow-shop动态调度模型,综合考虑了机器,班组能力等多种资源约束;提出了一种基于工件窗口的滚动调度方法,从滚动窗口的确定,滚动机制,滚动窗口内部算法三个方面提高动态调度性能,实验表明该方法可行有效。

均值漂移目标跟踪的两级窗宽更新算法

目标尺度发生较大变化时,固定窗宽的均值漂移(Mean shift)目标跟踪算法不能进行有效跟踪。为此,提出一种两级更新的自适应窗宽计算方法。采用Mean shift跟踪算法对目标中心进行初次定位,并确定窗宽的大小,设置感兴趣区域,结合已建立的背景模型,在感兴趣区域内利用背景减除技术二次确定目标的中心及窗宽大小,通过比较2次目标区域与目标模型之间的Bhattacharyya系数,选择系数较大的区域作为最终跟踪窗口。实验结果表明,该方法能够对尺度变化明显的运动目标自适应确定跟踪窗宽,并减小传统Mean shift跟踪方法背景目标颜色对目标特征提取的影响。

基于OpenCV刀具几何参数测量算法的改进

由于刀具轮廓复杂多样、数据波动的影响,实现机器自动捕获边界轮廓精确测量一直是图像工程应用中的难题。本文基于OpenCV提出离散点M估计距离拟合法,避免了数据波动的干扰点对直线拟合的影响,稳定性好,精确度高,适用于刀具图像的成像环境。通过对刀具后刀面宽度、刃口钝化量和刃带宽度等一系列测量实用算法的分析,实现了包括刀具角度、半径和长度等几何参数在内的自动测量,减少了人为误差,提高了测量精度。

提高TN－5400能谱仪SSQ分析精度的方法

本文分析了影响ＴＮ－５４００能谱仪ＳＳＱ分析精度的因素，介绍了提高分析精度的方法。

SAR目标鉴别中的变化特征提取算法研究

合成孔径雷达自动目标识别(SAR ATR)算法一般分为三个步骤:预筛选、鉴别和分类,其中鉴别部分将基于预筛选提供的感兴趣区域(ROI)进行特征提取,根据提取的特征消除虚假目标,变化特征是用于消除固定强杂波形成虚假目标的重要特征。本文介绍了两种常用的变化检测算法,并对其在基于ROI变化特征提取中的适用性进行了分析,针对存在的问题,本文提出了三种适用的变化特征提取算法并进行了仿真试验,试验结果表明,本文提出的三种变化特征提取算法在不同检测条件下均保持了较好的稳健性,且滑窗平均相减法性能最优。

结合目标检测与匹配修正的手腕骨兴趣区域提取

目的在骨龄智能评估研究中,如何准确地提取手腕参照骨的兴趣区域(region of interest,ROI)是保证骨龄精确评估的关键。基于传统深度学习的方法用于手腕骨ROI提取,存在个别参照骨漏判、误判等情况,导致平均提取准确率较低。本文结合目标检测强大的定位和识别能力,以准确提取所有手腕骨ROI为目的,提出了一种参照骨自动匹配与修正方法。方法针对不同参照骨形状、位置等特征表现出的规律性和关联性,本文采集了大量不同性别、不同年龄段的人手腕图谱作为参照骨样本匹配,然后分多个阶段提取参照骨ROI:1)基于目标检测算法初步提取出所有参照骨候选ROI,并根据一定的阈值剔除置信度较低的区域;2)结合参照骨的大数据样本构建位置点匹配模型,对剔除区域进行自动匹配与填补,保证ROI提取的完整性;3)通过多尺度滑动窗口以及ROI分类模型,对填补得到的ROI位置进行滑动修正,进一步保证提取准确率。结果实验结果表明,本文结合目标检测与匹配修正的方法优于现有绝大多数方法。其中,匹配修正方法在目标检测算法的提取结果基础上,提升了约1.42%的平均准确率,当结合Faster R-CNN(region-convolutional neural network)算法时能达到最高98.45%的交并比(intersection-over-union,IoU)准确率。结论本文方法利用手腕骨的位置特征,对个别提取困难的参照骨类型进行重新匹配与修正,有效地弥补了传统方法泛化能力不足的缺点。本文方法能够同时面向人手腕中所有参照骨ROI提取,具备良好的扩展性和易操作性。