一种基于WT⁃MMGR超像素技术的图像分割算法

在图像处理领域,谱聚类算法被广泛应用于图像分割任务。但对于背景复杂、色彩界限不明显的图像,传统的谱聚类算法往往无法准确地将目标物体分割出来,同时需要耗费大量的计算资源和时间。因此设计一种基于多尺度形态学梯度重构的分水岭超像素的改进谱聚类算法,它利用多尺度形态学梯度重构的分水岭超像素算法作为谱聚类算法的预处理步骤,将超像素处理所得的结果作为谱聚类的输入,以达到谱聚类算法的运算量目的。验证算法实验结果表明,所提出的改进谱聚类算法在图像分割任务中具有较好的边缘贴合度,并且程序的运行速率得到了显著提升。

基于自适应形态提升小波与改进非负矩阵分解的发动机故障诊断方法

信号处理与特征参数提取是实现发动机故障诊断的关键。针对传统小波和形态小波的缺陷,提出一种自适应形态梯度提升小波变换(AMGLW)。该方法采用信号的局部梯度作为判断信号奇异性的度量指标,在信号突变处采用提出的形态梯度提升算子以保留信号的冲击特征,在信号缓变处采用平滑算子以抑制噪声。在此基础上,提出采用改进非负矩阵分解方法对分解后的信号进行特征提取,计算用于发动机故障分类的特征参数。利用实测的发动机在5种状态下的振动信号对提出的信号处理及特征提取方法进行了验证。

基于综合形态算法的变压器励磁涌流识别方法

针对励磁涌流对变压器差动保护的影响,提出了一种基于综合形态算法的励磁涌流识别方法。首先,利用改进形态梯度算子对采集的信号进行处理,然后利用加权形态滤波算子对梯度信号进行滤波。然后,基于内部故障电流和励磁涌流基波相似性的显著差异构造判据对二者进行区分。判据1用来快速识别大多数内部故障,判据2应对电流互感器饱和及空合于内部轻微匝间故障等特殊情况。两识别判据通过协同逻辑,实现涌流情况下的保护闭锁与内部故障情况下的快速动作。最后,通过PSCAD/EMTDC仿真对所提算法进行了验证分析。

突变量与形态学相结合的配电网故障时刻检测方法

在配网应用中,以故障时刻为同步基准的差动保护需要精准地检测故障发生时刻。而常见的相电流突变量故障时刻检测方法的误差受故障发生时刻、分布式电源故障特性等因素的影响较大,会给差动保护带来较大的同步误差。为此,提出了适用于配电网故障时刻自同步原理的精确故障时刻检测方法。首先以传统相电流突变量检测算法为基础选取数据窗,然后对窗内数据应用改进多分辨形态梯度算子进行处理,得到凸显波形突变情况的梯度信号。之后利用该梯度信号的极值点位置提取故障发生时刻。最后PSCAD仿真以及现场试验数据验证结果表明,该方法检测精度高、稳定性好,可有效减小因故障时刻检测而产生的同步误差。

基于改进阈值与边缘梯度的亮场干细胞图像分割方法

针对亮场干细胞图像中细胞粘连、形态各异,难以精确分割的问题,提出一种基于改进阈值与边缘梯度的亮场干细胞图像分割方法。首先,通过改进的阈值法对预处理后的图像实现细胞与背景粗分;其次,利用改进的Sobel算子检测细胞边缘梯度信息,结合连通域标记方法对粗分割图像做细化分割;最后,运用形态学方法进行优化处理。提出的方法能够有效去除细胞图像中的溶液杂质,消除相差显微镜拍摄所带来的光圈、伪影等影响,更准确地分割出细胞边缘轮廓。实验表明,所提方法分割精度达到95.48%,综合分割性能指标Fscore=94.61%,与传统的阈值分割等方法相比,具有更好的分割效果。

基于分块相位梯度算法的多舰船尾迹自动识别

提出一种基于分块相位梯度算法(PGA)的多舰船尾迹合成孔径雷达(SAR)图像自动识别方法。首先在多结构形态学滤波和自适应阈值(OTSU)分割的基础上,利用分块PGA算法消除运动舰船的位置偏移和像元模糊,还原舰船实际信息;利用改进的局部Hough变换对分块图像进行检测和识别,根据识别出的尾迹坐标和角度反演运动舰船位置和航向信息。检测结果表明,该算法可准确检测SAR图像中舰船的实际位置和航向,识别准确度高,抗干扰性强。

输电线路通道下行林区冠层自动分割方法研究

针对在高分辨率影像上进行林区冠层高精度分割所存在的问题,提出了以一种结合形态学滤波的基于标记的分水岭分割算法,来实现对输电线下行林区冠层的自动分割。以航拍影像为数据源,首先构建结合了彩色和纹理梯度的综合梯度,然后采用形态学滤波消除中间过渡区域所形成的梯度极小值,同时根据树冠顶端先验信息提取标记,并强制叠加到梯度图像上,最后将上述结果作为初始信息参与分水岭分割,实现高分辨率影像上林区冠层的高精度自动分割,并以目视解译的形式获取研究区冠层的精确面积作为参考,结果显示本算法的精度较高,可以用于实现林区冠层的高精度自动分割。

基于简化脉冲耦合神经网络和改进稀疏表示的脑部图像融合算法

为解决单一模态脑部图像存在的局限性,进一步突出细节特征,增强视觉效果,提出一个基于多尺度边缘保持分解和改进稀疏表示(improved sparse representation,ISR)的算法框架。首先,分解源图像获得高频子带和低频子带。其次,采用多范数加权度量改进的稀疏表示融合低频子带,以多尺度形态学梯度(multiscale morphological gradient,MSMG)改进的引导滤波器去除细节特征;同时,经简化的脉冲耦合神经网络(simplified pulseoupled neural network,SPCNN)融合其高频子带。最后,逆变换得到融合后的脑部图像。实验证明,本文在边缘信息的保护,融合效率的提高,时间成本的节约等方面优势显著。