基于改进神经网络的弱光图像自动分割算法

弱光条件下图像的对比度低、细节模糊、噪声干扰大.为了使分割后的弱光图像边缘更加整齐,分割目标更加完整,提出一种基于改进神经网络的弱光图像自动分割算法.采用SLIC方法展开弱光图像超像素,根据弱光图像中所存在的像素相似性,对所生成的全部超像素块展开超像素块融合处理;并结合改进的神经网络,分割出弱光图像的目标图像与背景图像,实现弱光图像自动分割.实验结果表明,所提方法的弱光图像超像素融合效果好、分割精度高.

多尺度异源图像协同的电力设备语义分割

针对红外与可见光异源图像特征不同的模态、语义与空间特性,提出一种多尺度异源图像协同的电力设备语义分割方法。首先利用双路编码网络对红外图像和可见光图像进行特征提取,并以超像素为单位对红外图像高层特征进行增强,在抑制背景噪声的同时,对高级特征进行进一步的融合,提取更多的互补语义信息。同时,在高级语义信息引导下,在通道维度对中低级特征进行融合增强。最后,通过多层次解码,逐步结合多尺度特征,并以多标签损失的方式,实现更精准的语义分割。通过自建电力设备语义分割数据集进行对比与消融实验,实验结果证明提出融合策略的有效性与语义分割网络的优秀性能。

基于暗通道先验的超像素图像偏振去雾仿真

传统超像素偏振图像去雾方法无法获取图像偏振,导致细节纹理处易产生突变零点,引发图像边界处发生光晕效应,去雾效果不理想。提出基于暗通道先验的超像素图像偏振去雾方法。构建大气散射模型,计算传播过程中散落光。根据散落光将超像素图像分解为RGB三个通道,结合暗通道先验原理计算透射率,选择像素平均强度值作为大气光估计值,得到景深图像。利用景深信息求解偏振值,得到恢复图像场景的辐射强度,实现超像素图像偏振去雾。实验结果表明:上述方法在图像复原质量与效率方面均有较大改善,能够有效恢复雾天超像素图像细节信息,获得满意的视觉效果,说明所提方法具有一定的实用价值。

基于背景显著性和前景显著性相结合的纺织印染图像显著性检测

文章提出一种基于图像背景显著性和前景显著性相结合、自底向上的纺织印染图像显著性检测算法。此算法首先通过图像的边界信息,从图像边框或中心的超像素中收集背景种子并计算出基于背景的显著图;其次,通过基于脉冲耦合神经网络(PCNN)的自适应阈值方法分割基于背景的显著图来收集前景种子并计算出基于前景的显著图;最后,使用文章提出的公式,将两个显著图综合起来,并使用显著扩散和高斯衰减的方法进行优化,获得效果最佳的纺织印染图像显著图。

Parzen窗算法下图像视觉显著目标识别仿真

受光照、尺度、噪声等影响,图像目标在识别结果会存在一定的偏差,为此提出基于Parzen算法的图像视觉显著目标识别算法。对图像的超像素实施分割处理,并将图像内超像素块作为图像结构顶点,基于Parzen窗算法对顶点密度计算后,结合K-means算法实现图像分割处理;依据分割结果采用马尔科夫确定图像显著区域,通过对图像视觉显著区域特征的提取,将其作为特征向量输入到PSO-SVM模型中训练,实现图像视觉显著目标识别。实验结果表明,通过对上述方法开展图像分割、目标识别和识别耗时测试,验证了所提方法的可行性。