一种基于形态运算的快速文字分割算法

本文针对复杂背景图像中文字与背景区域的形态特征,提出了一种基于形态运算和区域生长的快速文字分割算法MOSA,同时将之与LLT分割算法进行了比较。实验结果表明,该算法能较快和较准确地定位复杂背景图像中的文字区域,并且相对于LLT算法,该算法在速度与分割效果方面都有所提高。

基于自适应SLIC的岩心图像背景分割

针对岩心CT图像中岩心区域与背景区域边界模糊,现有的分割方法无法有效分割出岩心区域,影响数字岩心模型的准确性问题,论文提出了基于改进线性迭代聚类(SLIC)的岩心背景分割算法优化分割效果。首先以图像复杂度为依据,得出图像预分割的超像素个数;其次对岩心和背景区域的相似超像素进行区域合并,减少后续冗余计算;最后根据岩心像素与背景像素区域像素值差异分割岩心背景。实验结果表明,论文算法有效分割出岩心区域,避免了阈值法分割对岩心区域的破坏,减少了用户干预,在解决岩心背景分割的完整性和有效性方面表现出了良好的性能。

复杂背景下医学图像规则区域纹理缺陷识别

由于当前已有方法未能对医学图像进行去噪处理,导致纹理缺陷识别耗时较长,识别结果不准确。提出一种复杂背景下医学图像规则区域纹理缺陷识别方法,首先采用系数关联方法将医学图像小波分解后的高频分量作为噪声和边缘,假设小波系数被标记为边缘,则保持不变;反之,则采用邻域方法进行系数收缩;对经过处理的小波系数进行平稳小波逆变换,获取去噪后的医学图像。然后引入Retinex理论对医学图像的细节进行增强调整;同时通过Hough变换对复杂背景下的医学图像规则区域纹理缺陷进行特征提取,实现缺陷识别。最终进行实验测试,结果表明所提方法可以获取高效率、高精度的医学图像规则区域纹理缺陷识别结果。

基于区域生长与区域覆盖比的红外弱小目标检测

为了提高复杂背景下红外弱小目标的检测能力,提出了一种基于区域生长与区域覆盖比的新方法。本文中主要针对目标的三个特征:1)目标的最大灰度值与邻域背景之间存在较为明显的灰度间隙;2)目标在局部范围内具有较高的灰度值;3)目标像素分布较为紧凑,建立了一种新的小目标检测算法。首先,对原始图像计算局部对比度并筛选出候选种子点。其次,对每个候选种子点在原始图像上进行阈值区域生长算法并计算得到区域覆盖比(RCR)。然后,使用自适应尺寸的三层窗口计算得到自适应灰度差(AGVD)。最后,采用阈值分割方法分离出真实目标。通过在真实测试数据集上的实验表明,与现有算法相比,所提出的算法具有较高的检测精度和较低的虚警率。

复杂背景下的人耳检测方法

本文在借鉴人脸检测算法的基础上,对现有的人耳检测方法进行研究,针对人耳区域小、共性特征少、复杂背景下难以检测等特点,提出了一种分阶段优化的静态彩色复杂背景下的人耳检测方法。首先采用肤色分割将检测范围缩小至肤色区域;接着利用侧脸的先验知识再次筛选;然后对图像进行边缘提取,在边缘图像中利用人耳含有丰富边缘信息的特点进行区域搜索以确定人耳。在该方法中,彩色图像的肤色信息和灰度图像的多尺度边缘以及人耳自身特征被结合起来,对解决人耳共性特征在复杂背景下难以被提取的问题具有较好的效果。实验结果表明,该算法在复杂背景下是有效的。

复杂背景下红外静脉图像的分割与增强

针对医护人员在对患者进行静脉穿刺过程中频繁发生静脉误识别问题,提出了一种红外手掌静脉识别系统。该系统根据近红外光的特性搭建图像采集平台获取原始图像,利用二维最大熵分割法结合区域标记法得到复杂背景中的目标区域,采用反锐化掩模法对目标区域进行增强处理。试验结果表明,目标区域可以从复杂背景中较好地分割出来,提高了图像的对比度,可达到实现红外图像分割和增强的目的。

基于深度学习的复杂背景图像分类方法研究

复杂背景图像受背景干扰后不易被识别。针对这一问题,文中提出了基于前景分割机制的卷积神经网络图像分类方法。采用全卷积神经网络对图像前景区域进行自动分割,通过图像中前景区域周围的最小边界框对其进行定位。对于定位的前景区域,构建卷积神经网络对其进行处理以区分不同的类别,从而实现复杂背景图像的分类。将提出方法在公开数据集中提取的单一背景和复杂背景图像数据集上进行对比实验,并使用迁移学习与数据增强等方法优化模型。实验结果表明,所提方法使用前景区域分割相比于仅分类CNN具有更高的准确度,且复杂背景图像上的准确度提升幅度要远大于单一背景图像。该结果说明引入前景区域分割对于复杂背景图像分类模型准确度的提升具有一定帮助,能够显著前景区域特征并减少背景因素的干扰。

复杂背景下非正面肤色检测研究

人脸检测通常会使用五官检测方法,但是在非正面情况下,图像中一般不会含有完整的五官信息,此时肤色将会成为检测人脸最主要的特征。大量实验和研究发现肤色在YCbbCr空间中呈近似高斯分布,利用这一特性建立了肤色模型,并在理想环境下取得了较好的效果。但是当环境背景不再单一,如出现类肤色物体时,肤色模型的检测效果将会大大下降。主要研究了在复杂环境背景下的非正面肤色检测,介绍了一种基于边缘检测和区域生长的分离环境背景和肤色区域的方法。

复杂场景中运动目标的检测

由于检测场景的复杂性,传统的运动目标的提取常常采用自适应背景更新及自适应阈值分割方法,以去除噪声干扰,提高检测准确性。针对这种情况,提出在背景减除法的基础上通过改进的背景掩膜算法进行背景更新,利用场景的复杂性及系统中运动目标出现在障碍物边缘的特点,进行检测区域及非检测区域的划分,并采用阈值伪图的方法对整个视频序列图像进行自适应阈值分割。实验结果表明,该方法能够有效去除由于光线变化产生的噪声,以及由于相机抖动引起的背景与当前检测帧之间由位置偏差而产生的噪声,并避免了阈值分割时运动目标本身会出现空洞的问题,为后续运动目标的识别与跟踪奠定基础。

一种复杂背景下的汽车牌照快速定位算法

提出了一种基于边缘检测、数学形态学和颜色特征相结合的复杂背景下的快速车牌定位算法。首先,利用车牌区域具有较丰富的垂直边缘信息得到包含车牌区域在内的若干候选区域,然后利用车牌自身的三个结构特征从若干候选区域中提取车牌区域。仿真实验结果表明,该算法的准确率达到了91.2%。

基于Landsat8数据的近海养殖区自动提取方法研究

利用遥感影像进行近海养殖区提取,是近海渔业资源监管的一种有效手段。然而由于近海养殖区受海水叶绿素和悬浮泥沙浓度差异分布的影响,海域水色背景往往较为复杂,使得传统近海养殖区提取方法很难取得理想效果。为了准确提取复杂水色背景下的近海养殖区,提出一种结合光谱和纹理信息的养殖区自动提取方法。首先,利用基于正交子空间投影的约束能量最小化(orthogonal subspace projection-weighted constrained energy minimization,OWCEM)方法增强近海养殖区信息;然后,利用近海养殖区的空间纹理信息,使用局部标准差自适应分割法(standard deviation adaptive segmentation,SDAS)对影像进行划分;最后,基于分割图像对近海养殖区进行自动提取。选取山东桑沟湾养殖海域和福建三都澳养殖海域为实验区,采用Landsat8数据对所提方法进行近海养殖区提取实验,结果表明:在复杂水色背景下,该方法能够准确快速地识别出近海养殖区的分布情况,在2个实验区都能达到93%以上的准确率,为近海养殖区自动提取提供了一种新的有效方法。

复杂背景图像中的车牌定位算法

针对复杂背景中的车牌定位问题提出了一种新的算法,将定位过程分解为确定候选车牌区域和剔除伪区域两个部分。首先在图像的二值垂直边缘图中,利用车牌区域的边缘信息及车牌的纹理特征进行车牌候选区域的确定,在降低算法复杂度的同时提高了定位精确性。然后,利用滑动的条带窗口对候选区域二值化图像进行连通块提取,结合车牌句法特征对该区域进行评判筛选,有效地解决了复杂背景及模糊图像中车牌定位精度不高的问题。此外,定位过程中的评判结果为后续的字符分割提供了重要的先验信息。实验证明该方法定位速度快,定位正确率高,对于背景纹理复杂及模糊图像的车牌定位具有很强的抗干扰性能。

结合MSCRs与MSERs的自然场景文本检测

目的目前,基于MSERs(maximally stable extremal regions)的文本检测方法是自然场景图像文本检测的主流方法。但是自然场景图像中部分文本的背景复杂多变,MSERs算法无法将其准确提取出来,降低了该类方法的鲁棒性。本文针对自然场景图像文本背景复杂多变的特点,将MSCRs(maximally stable color regions)算法用于自然场景文本检测,提出一种结合MSCRs与MSERs的自然场景文本检测方法。方法首先采用MSCRs算法与MSERs算法提取候选字符区域;然后利用候选字符区域的纹理特征训练随机森林字符分类器,对候选字符区域进行分类,从而得到字符区域;最后,依据字符区域的彩色一致性和几何邻接关系对字符进行合并,得到最终文本检测结果。结果本文方法在ICDAR 2013上的召回率、准确率和F值分别为71.9%、84.1%和77.5%,相对于其他方法的召回率和F值均有所提高。结论本文方法对自然场景图像文本检测具有较强的鲁棒性,实验结果验证了本文方法的有效性。

基于有效区域筛选的复杂背景植物图像识别方法

为了提高复杂背景植物图像识别准确率,提出一种基于卷积神经网络(CNN)有效区域筛选的植物图像识别方法,该方法首先基于图像(花朵、叶片)数据集利用CNN训练一个有效区域筛选模型,使数据集通过该模型筛选后仍能保留花朵、叶片等有效区域;然后经过Mask R-CNN对植物图像数据集进行有效区域的提取,再用有效区域筛选模型筛选能表征植物图像类别的有效区域,接着将此类有效区域以4…1的比例划分为训练集和测试集,然后送入GoogleNet进行训练,得到基于有效区域的CNN植物图像识别模型MRC-GoogleNet;最后通过该模型得出识别准确率。实验结果和数据表明,与经典CNN植物图像识别模型相比,基于有效区域筛选的识别模型能提取到更为有效的图像特征,有效地提高识别准确率。

多先验特征与综合对比度的图像显著性检测

目的图像的显著性检测在计算机视觉中应用非常广泛,现有的方法通常在复杂背景区域下表现不佳,由于显著性检测的低层特征并不可靠,同时单一的特征也很难得到高质量的显著图。提出了一种通过增加特征的多样性来实现显著性检测的方法。方法在高层先验知识的基础上,对背景先验特征和中心先验特征重新进行了定义,并考虑人眼视觉一般会对暖色调更为关注,从而加入颜色先验。另外在图像低层特征上使用目前较为流行的全局对比度和局部对比度特征,在特征融合时针对不同情况分别采取线性和非线性的一种新的融合策略,得到高质量的显著图。结果在MSRA-1000和DUT-OMRON两个公开数据库进行对比验证,实验结果表明,基于多先验特征与综合对比度的图像显著性检测算法具有较高的查准率、召回率和F-measure值,相较于RBD算法均提高了1.5%以上,综合性能均优于目前的10种主流算法。结论相较于基于低层特征和单一先验特征的算法,本文算法充分利用了图像信息,能在突出全局对比度的同时也保留较多的局部信息,达到均匀突出显著性区域的效果,有效地抑制复杂的背景区域,得到更加符合视觉感知的显著图。

基于改进复杂度的红外弱小目标区域检测算法

方差加权信息熵作为稳健的红外背景复杂程度定量描述指标,在红外弱小目标检测中取得了不错的效果,但由于其计算复杂,导致算法实时性差,很难在工程上应用。为了能快速地在红外复杂天空背景中识别到弱小目标区域,对传统的基于图像方差加权信息熵的滤波算法进行改进。先对图像进行显著性区域分割,粗略地得到显著性区域,然后对显著性区域计算双分析模板区域方差加权信息熵差值,根据复杂天空中典型区域的双分析模板区域方差加权信息熵差值的特点将候选目标区域识别出来。实验表明,用本文算法既可以排除大量的复杂天空背景干扰区域,又大幅缩短了算法运行的时间。