内容自适应超像素分割网络

现有的超像素算法对所有像素采用相同的分割约束,导致超像素在边界粘附性和紧凑性之间产生多余的相互抑制。此外现有算法很少与深度网络结合使用。文中提出了一种内容自适应超像素分割网络,可以根据图片内容动态分配紧密度因子,使超像素在边界周围具有高边界粘附性,在其余区域具有高紧凑性。通过与其他复杂方法的比较试验,该方法有效地减少了边界粘附和紧凑性之间的折衷,同时产生了具有良好性能的超像素。

基于双流融合网络的输送带跑偏检测方法

传统输送带跑偏检测方法中,接触式检测技术成本高,非接触式检测技术则精度低。随着人工智能技术的发展,虽然基于卷积神经网络的方法可以有效提高检测精度,但受限于卷积操作本身局部运算特性的限制,仍存在对长距离、全局信息感知不足等问题,很难再提升在输送带边缘检测上的精度。为解决上述问题,(1)通过将传统卷积神经网络的卷积对局部特征的提取能力与Transformer结构对全局、长距离信息感知能力相结合,提出了一种全局与局部信息相互融合的双流输送带边缘检测网络模型(Dual-Flow Transformer Network,DFTNet),能够较好地提高输送带边缘检测精度并抑制输送带图像噪声和背景的干扰;(2)通过设计卷积神经网络(Convolutional Neural Network,CNN)和转换器Transformer特征融合模块,形成双流编码器–解码器结构,利用结构上的巧妙设计,可以更好地融合全局上下文信息,避免了Transformer结构在大规模数据集上预训练,可以灵活调节网络结构;(3)通过从实际工业场景中所采集到多场景的运输机输送带图片,构建了包含5种不同场景下多角度、不同位置的输送带输送带数据集。研究结果表明,双流融合网络DFTNet综合性能最佳,均交并比mIou达91.08%,准确率ACC达99.48%,平均精确率m Precision达91.88%,平均召回率mRecall达96.22%,相比纯卷积神经网络HRNet分别提升了25.36%、0.29%、17.70%与29.46%,相比全卷积神经网络(Fully Convolutional Networks,FCN)分别提升了29.5%、0.32%、24.77%与34.13%,在参数量、计算速度上均有较大提升。同时,处理图像帧率达53.07 fps,满足工业中实时性的要求,具有较大实用价值。

彩色图像分割方法综述

由于彩色图像提供了比灰度图像更为丰富的信息,因此彩色图像处理正受到人们越来越多的关注。彩色图像分割是彩色图像处理的重要问题,彩色图像分割可以看成是灰度图像分割技术在各种颜色空间上的应用,为了使该领域的研究人员对当前各种彩色图像分割方法有较全面的了解,因此对各种彩色图像分割方法进行了系统论述,即先对各种颜色空间进行简单介绍,然后对直方图阈值法、特征空间聚类、基于区域的方法、边缘检测、模糊方法、神经元网络、基于物理模型方法等主要的彩色图像分割技术进行综述,并比较了它们的优缺点,通过比较发现模糊技术由于能很好地表达和处理不确定性问题,因此在彩色图像分割领域会有更广阔的应用前景。

混合神经网络在颗粒图像边缘检测中应用

提出了一种应用混合神经网络进行颗粒图像边缘检测的方法·边缘候选图像是通过采用基于灰度极小值算法提取边缘候选像素获得，神经网络以边缘候选图像中的边缘候选像素及其邻域像素的二值模式作为训练样本·对经过噪声污染的图像进行实验表明，该方法获得的边缘图像封闭性较好、边缘描述真实，适用于颗粒图像的边缘检测·

球形物料图像的分割方法研究

本文以水泥窑生料球为背景，分析了球形物料图像在灰度空间和梯度空间的特征，对一些经典算法进行了颗粒分割实验，理论分析和实验结果表明，利用局部特征值进行总体像素归属判决将使颗粒图像的边界不连续，或边界描述失真。为此提出的一种由局部特征值直接提取球形物料边界的图象分割方法。实验结果表明，该算法分割的图像边界封闭性好，边界描述真实，适合球形物料图像的分割。

用BP网络进行彩色图像分割和边缘检测

采用ＢＰ网络模型，研究了彩色图像分割和边缘检测的神经网络方法．选取训练样本图像，并分别以区域增长分割法和Ｓｏｂｅｌ边缘检测方法所得结果为导师信号，将图像的特征向量采用ＢＰ算法进行训练，然后对实测图像进行分割和边缘检测．与采用区域增长法所得分割结果和采用Ｓｏｂｅｌ边缘检测方法所得边缘检测结果进行比较。

一种新的堆积颗粒图像边缘检测方法

提出了一种应用混合神经网络进行颗粒图像边缘检测的方法 .混合神经网络由用于对边缘候选图像的二值输入模式进行聚类特征提取的自组织竞争子网络 (ASCSNN)和用于获取颗粒图像边缘矢量信息的BP子网络 (BPSNN)组成 .边缘候选图像是通过采用基于灰度极小值算法提取边缘候选像素获得 ,神经网络以边缘候选图象中的边缘候选像素及其邻域像素的二值模式作为训练样本 .对经过噪声污染的图像进行实验表明 ,该方法获得的边缘图像封闭性较好、边缘描述真实、抗干扰能力较强。

人工神经网络在图像处理中的应用

图像处理是包含丰富内容和具有广阔应用领域的研究学科。近几年来,作为具有自组织、自学习和联想功能的人工神经网络理论已成功地应用于图像处理的许多方面,神经网络应用于图像处理的主要思路是:把原始图像或经过适当预处理的图像作为网络的输入信号,在网络的输出端得到处理后的图像信号或分类结果。

一种混合神经网络在颗粒图像边缘检测中的应用

本文提出了一种应用混合神经网络进行颗粒图像检测的方法。混合神经网络由用于对边缘候选图像的二值输入模式进行聚类特征提取的自组织竞争子网络（ＡＳＣＳＮＮ）和用于获取颗粒图像边缘矢量信息的ＢＰ子网络（ＢＰＳＮＮ）组成，边缘候选图像是通过采用基于灰度极小值算法提取的边缘候选象素获得。神经网络以边缘候选图像中的边缘候选象素及其邻域象素的二值模式作为训练样本。对经过噪声污染的图像进行实验表明，该方法获得的边缘图像封闭性好、边缘描述真实，抗干扰能力较强，适用于颗粒图像的边缘检测。

基于X射线图像和卷积神经网络的石油钢管焊缝缺陷检测与识别

研究了基于X射线图像和卷积神经网络（CNN）的石油钢管焊缝缺陷检测与识别问题。首先采用数字图像处理技术拟合提取出焊缝区域,验证了咬边缺陷的存在不影响焊缝边缘的提取;针对常用阈值分割方法不适于小面积区域缺陷分割的局限,采用基于排序点的聚类算法（OPTICS）对区域内任意形状大小的缺陷和噪声干扰点进行分割,然后对缺陷、噪声和无缺陷的正常图像进行提取并进行数据增强及尺寸归一化操作,从而完成焊缝图像的预处理以构建出样本图库。最后采用CNN与Softmax分类器相结合的算法,以缺陷和噪声为输入样本训练CNN并进行了实际应用实验,实验结果验证了方法的有效性。

基于图像不变矩特征和BP神经网络的车型分类

为实现车型的有效分类,文中提出了一种基于图像分析的车型分类方法.首先,根据视频序列图像建立了路面背景,利用背景差分将图像中的车辆区域分割出来,计算车辆区域的不变矩特征量.为了加快特征的提取,利用Canny算子检测车辆区域的边缘,提取车辆轮廓,直接计算车辆轮廓的矩不变量,将其作为车型分类的特征量.然后建立具有3层结构的BP神经网络,将不变矩特征量作为神经网络的输入,根据神经网络的输出实现车型的分类.试验证实了该方法的有效性.

基于两组细胞神经网络的工业CT图像分割

采用两组细胞神经网络实现工业CT图像的分割。一组细胞神经网络用粗分割,得到阈值分割图像,在此基础上用另一组细胞神经网络细分割,得到精细的边缘等信息。修正网络稳定态的定义,以网络伪稳定态作为网络迭代过程的终止条件。应用该方法,以发动机切片CT图像作为实验对象,能取得较好的效果。

一种PCNN和边缘检测协同的SAR图像分割算法

针对高分辨率SAR(synthetic aperture radar)图像目标复杂,且具有严重的相干斑噪声,灰度出现剧烈起伏导致目标边缘模糊难以实现精准分割的问题,提出了一种分数阶傅里叶变换(fractional Fourier transform,FrFT)域中里兹分数导数(Riesz fractional derivative,RFD)边缘检测和脉冲耦合神经网络(pulse coupled neural network,PCNN)协同的高分辨率SAR图像分割算法。该算法首先将原始图像经过边缘检测处理以保留较好的边缘信息,再由PCNN模型进行图像分割,最后通过形态学进一步去除相干斑点。将所提算法应用到不同区域的高分辨SAR图像分割中,实验结果表明该方法能够有效抑制相干斑噪声和灰度边界模糊的影响,获得精准的分割效果。

基于神经网络的颗粒图像边缘混合检测方法

针对颗粒图像的特点，提出一种基于神经网络的边缘混合检测方法。该方法包含边界候选象素提取和神经网络边缘检测两部分，神经网络由用于图像信息压缩与图像信息编码的自组织竞争子神经网络（ＡＳＣＳＮＮ）和用于获取图像边缘矢量信息的基于径向函数子神经网络（ＲＢＦＳＮＮ）组成。实验结果表明，该方法分割颗粒图像得到的边缘图像封闭性好、边界描述真实，适用于堆积颗粒物料图像的边缘检测。

基于改进的PCNN的彩色图像边缘检测算法

对PCNN在彩色图像分割和边缘提取上的应用进行了研究,首先利用图像本身灰度和空间等特性自动确定PCNN网络参数进而分割得到高质量图像,然后利用PCNN对彩色图像进行边缘提取。仿真实验结果表明,算法可以对不同特性的彩色图像进行有效的边缘提取,具有较好的健壮性。

水泥窑生料球图象分割方法的研究

以水泥窑生料球为背景，分析了球形物料图象在灰度空间的特征，对一些经典算法进行了颗粒分割实验．理沦分析和实验结果表明，利用局部特征值进行总体象素归属判决将使颗粒图象的边界不连续，或边界描述失真．为此提出一种由局部特征值直接提取球形物料边界的图象分割方法．

基于神经网络的带钢表面孔洞检测系统研究

简要介绍了带钢表面孔洞实时检测中的图像处理系统 ,提出了一种应用边缘检测和聚类分析的图像分割算法对带钢表面孔洞进行准确快速的分割 ,同时采用改进的BP神经网络分类器对孔洞进行分类与识别 ,实验结果表明 ,该带钢表面孔洞实时检测系统具有较高的精度和较快的速度 .

Unit-Linking PCNN中的彩色图像边缘检测

PCNN模型具有相似群神经元同步发放脉冲的特性,适合于图像分割。对彩色图像的亮度分量进行对数变换,使其更符合人眼的视觉特性;在PCNN进行彩色图像R、G、B三分量分割的过程中,利用遗传算法进行神经元关键参数的选择,利用偏态指标进行迭代控制;在Unit-Linking PCNN模型中实现R、G、B三分量分割图的边缘检测,利用加权合并策略得到最终的边缘检测结果。仿真结果表明,该方法得到的结果体现了图像中更多的轮廓细节,具有很好的自适应性。

结合特定理论的图像分割方法

结合近几年来图像分割领域出现的新思路、新方法或对原有方法的改进,如模糊方法、活动轮廓模型、遗传算法、神经网络等给出一个比较全面的综述,评价它们的优缺点。最后,简要讨论图像分割的发展趋势。

基于深度学习的虚拟边界检测方法

针对传统边缘检测方法无法对材料微观图像中不同区域间存在的"虚拟边界"(VB)进行准确检测的问题,提出一种基于卷积神经网络(CNN)的虚拟边界检测模型,称之为"虚拟边界网络"(VBN)。该模型对VGGNet深度学习模型进行了简化,并在模型训练过程中采用了dropout以及Adam算法等优化策略。VBN以图像中每个像素为中心所取的图像块作为输入,然后输出该图像块所属的类别并据此判断中心像素是否属于虚拟边界。在对两类材料图像进行虚拟边界检测的实验中,VBN的平均检测精度到达92.5%,平均召回率达到89.5%,证明该模型能够准确、有效地对图像中的虚拟边界进行检测,是一种替代低效率人工分析方法的有效手段。