基于角点检测的可降解支架轮廓分割算法

针对血管内光学相干断层扫描(IVOCT)影像中,使用动态规划(DP)算法进行可降解支架轮廓分割时,分割结果容易受到血液伪影和支架内部断裂的影响,而导致支架轮廓分割准确度不高的问题,利用IVOCT影像中可降解支架具有四边形外观的先验信息,提出一种使用支架的4个角点得到支架轮廓的算法。实验结果显示:所提出的支架轮廓分割算法的平均Dice系数可达到0.88,相较于DP算法提高了0.08;所提出的支架自动分割算法能够实现IVOCT影像中可降解支架的准确分割,且具有较好的稳健性,能更好地在临床应用中辅助医生进行支架贴壁情况分析。     

血管内光学相干层析成像中的冠状动脉支架重建

冠状动脉支架置入已经成为冠状动脉粥样硬化性心脏病的重要治疗手段。药物洗脱冠状动脉支架断裂(CSF)的识别与检测是目前的难点问题。血管内光学相干层析成像(IVOCT)系统以其极高的成像分辨率在CSF识别与检测方面具有独特优势。本文提出了一种在IVOCT中对冠状动脉支架精准重建的方法。该方法利用金属支架具有成像阴影这一特征,在血管边界分割后,将支架及其一定深度阴影的强度值进行累加生成一维数组,然后将一维数组按照回撤次序排列形成支架展开图像。与三维成像、纵切图像等支架重建方法相比,所提方法不仅可以保持支架的整体结构,而且避免了对操作人员空间想象力的要求。本文利用所提重建方法定量识别和分析了CSF,该方法可针对不同的支架结构选择不同的IVOCT成像参数。     

采用骨导语音自适应的语句分割方法*

为了解决含噪语句分割问题,也为了解决某些低信噪比环境下传统气导语句分割算法分割效果差、分割准确度低且算法自适应性弱等问题,提出一种基于骨导语音自适应的分段双门限语音分割方法。将骨导语音和气导语音同步采集,获取抗噪性能更好的骨导语音,然后在融合过零率与短时能量中引入随机动态阈值的自适应方法进行端点检测,最后利用分段双门限和语音聚类等手段实现语音分割,提高语音分割算法的鲁棒性。通过实验验证了所提算法的有效性和可行性,同时与其他语音分割算法进行了对比,证明该文所提分割算法精度更高,效果更好。     

动态背景下运动目标检测与跟踪研究

主要研究动态背景下的运动目标检测和跟踪问题。背景补偿差分法是一种常用的动态背景下运动目标检测算法,但检测到的目标轮廓要比其真实轮廓大,检测结果不准确且算法复杂度较高。主动轮廓模型在图像分割和目标提取过程中具有拓扑结构变化灵活性,对数值计算方案的设计更加方便、有效,据此提出一种基于改进C-V模型和卡尔曼滤波的算法,用来检测和跟踪动态背景下的运动目标。提出的算法利用C-V模型曲线演化检测和跟踪目标,使C-V模型在目标的边缘处收敛。结合卡尔曼滤波预测运动目标下一帧位置,从而实现对运动目标轮廓的跟踪。实验结果表明,该方法可以对动态背景下运动目标进行精确的检测与跟踪。     

结合MRF能量和DCE-MRI时域特征的乳腺癌灶分割算法

针对动态增强磁共振影像中乳腺癌灶对比度低、边界模糊且亮度不均匀等特点,提出了一种结合马尔科夫随机场能量和动态增强磁共振影像时域特征的混合活动轮廓模型。首先,基于模糊C均方聚类算法以图像的时域变化特征和亮度构建特征向量,构建模糊速度函数作为活动轮廓模型的边缘探测函数。其次,计算图像的隐马尔科夫场能量,以增强乳腺癌病灶与其他组织的差异。最后,以图中每个像素及其邻近像素的马尔科夫场能量为特征,利用k最近邻算法构建活动轮廓模型的区域项。轮廓曲线在病灶边界上时,区域项及边缘项最小,活动轮廓曲线停止演变,完成对乳腺癌灶的分割。实验结果表明,马尔科夫随机场能量和时域特征均能增强癌灶与其他组织的对比度,使所提方法的分割结果较其他活动轮廓模型更接近医生手工分割结果,对实现精确分割乳腺癌灶有重要意义。     

基于曲率尺度空间角点检测的交通标志分离算法

针对交通标志出现互连现象导致检测率下降的问题,提出了一种基于曲率尺度空间(CSS)角点检测的交通标志分离算法。使用基于红绿蓝(RGB)归一化的彩色分割算法和区域特征判决准则自动识别多标志互连候选区域,并对提取的目标区域进行边缘平滑和轮廓跟踪。利用基于全局和局部曲率特性的CSS角点检测器对提取的轮廓进行角点检测,并依据角点凸凹性判定准则及分离点对匹配条件,从角点中提取标志间的分离点对。利用Bresenham算法寻求分离点对间的分离线,实现标志的最终分离。实验结果验证了算法的有效性,与现有基于分水岭变换的标志分离算法以及改进的自适应分离算法相比,克服了标志过度分离问题,提高了标志检测整体性能。     

基于稳健主成分分析和多点恒虚警的红外弱小目标检测

针对红外图像中由复杂背景和目标多形态带来的单帧检测暗弱小目标比较困难的问题,提出了一种先进行阈值分割粗提取,后进行多点信噪比精检测的算法。在粗提取阶段,提出了改进的基于稳健主成分分析(RPCA)的阈值分割算法,利用邻域稀疏度均值与整幅稀疏图像均值的比值进行阈值分割,从而进一步剔除孤立噪点和背景云层边缘的杂波。在精检测阶段,提出了基于统计特性的多点恒虚警检测算法,统计候选点在邻域内每个像元的信噪比,利用虚警率门限和统计数量阈值筛选目标点,从而克服由小目标能量弥散带来的多形态特征问题。实验结果表明,所提算法在复杂背景下的探测率达到95.6%,与利用单像元和邻域像元均值计算信噪比的方法相比,虚警率分别降低了56.1%和47.1%。     

基于多特征融合和软投票的遥感图像河流检测

河流是遥感图像中一种非常典型且重要的地理目标,对河流的自动检测在水资源调查及水利规划等方面有重大意义。在此提出了一种基于多特征融合和软投票方法的河流目标检测算法,该算法首先将图像分割成胞元,提取胞元的局部熵、纹理、光谱和颜色等特征,利用随机森林训练和分类,并利用基于形态学运算结合多判据投票法优化机器学习的粗检测结果,对优化后的粗检测结果利用水平集活动轮廓逼近河岸线。实验表明,该算法检测效果良好,对测试集的检测准确率达97.44%,在复杂背景下可以有效检测出河流。     

基于改进谱聚类的重叠绿苹果识别方法

水果的可见光谱目标识别是实现农业自动化采摘至关重要的一步。在水果识别的过程中,由于重叠和遮挡的影响使得目标识别困难,识别率不高。本文针对自然环境中果实重叠的识别问题,利用谱聚类算法对图像进行分割,然后使用随机霍夫变换实现果实的识别和定位。针对传统算法运算复杂度高,运算速度慢的问题,本文提出了基于均值漂移和稀疏矩阵原理的改进谱聚类算法。首先使用均值漂移算法对图像进行预分割,均值漂移是一种用于密度梯度的无参估计法。该算法实质是一种迭代,先计算出偏移量,根据偏移量移动点,如此反复,直到偏移量为零即收敛到一点为止。利用均值漂移算法除去大多数的背景像素,为减少谱聚类算法的计算量做准备。然后提取预分割图像的有用信息即图像中像素对之间相似度的描述,将提取的图像特征信息映射到稀疏矩阵中,并使用K-means算法将其分类。得到最终的分类结果,实现对预处理图像的再次分割。然后恢复图像分割区域的颜色,使用彩色向量梯度提取边缘轮廓,对得到的轮廓图像使用随机霍夫变换,并在检测过程中设置半径参数的范围从而进一步加快算法的运行速度。经过检测可以得到目标的圆心坐标和半径,从而实现重叠绿苹果的识别。降低了谱聚类的数据处理量,提高了算法的运行速度。经过试验分析和算法对比,该算法得到较高的重合度95.41%,较低的误差率4.59%和误检率3.05%。     

基于改进谱聚类的重叠绿苹果识别方法（英文）

水果的可见光谱目标识别是实现农业自动化采摘至关重要的一步。在水果识别的过程中,由于重叠和遮挡的影响使得目标识别困难,识别率不高。本文针对自然环境中果实重叠的识别问题,利用谱聚类算法对图像进行分割,然后使用随机霍夫变换实现果实的识别和定位。针对传统算法运算复杂度高,运算速度慢的问题,本文提出了基于均值漂移和稀疏矩阵原理的改进谱聚类算法。首先使用均值漂移算法对图像进行预分割,均值漂移是一种用于密度梯度的无参估计法。该算法实质是一种迭代,先计算出偏移量,根据偏移量移动点,如此反复,直到偏移量为零即收敛到一点为止。利用均值漂移算法除去大多数的背景像素,为减少谱聚类算法的计算量做准备。然后提取预分割图像的有用信息即图像中像素对之间相似度的描述,将提取的图像特征信息映射到稀疏矩阵中,并使用K-means算法将其分类。得到最终的分类结果,实现对预处理图像的再次分割。然后恢复图像分割区域的颜色,使用彩色向量梯度提取边缘轮廓,对得到的轮廓图像使用随机霍夫变换,并在检测过程中设置半径参数的范围从而进一步加快算法的运行速度。经过检测可以得到目标的圆心坐标和半径,从而实现重叠绿苹果的识别。降低了谱聚类的数据处理量,提高了算法的运行速度。经过试验分析和算法对比,该算法得到较高的重合度95.41%,较低的误差率4.59%和误检率3.05%。     

基于多特征融合与ROI预测的红外目标跟踪算法

针对当前红外目标检测与跟踪算法存在场景自适应能力弱、专用性强,以及在大视场条件下,首帧图像中小目标误检率高的问题,提出一种红外序列图像目标自适应阈值分割、检测与跟踪方法.选取目标移动速度、目标轮廓的面积和周长、以及自适应分割阈值与感兴趣区域位置为动态变量,建立动态决策准则.采用首帧目标检测算法计算出序列图像的第一帧图像目标的静态变量和部分动态变量,再采用改进的局部自适应阈值分割算法分割后续帧图像,然后利用静态与动态决策准则筛选出分割后的真实目标,最后计算并更新动态决策准则.红外靶标测试结果表明:该方法对不同场景具有较好的适应性,四个场景平均跟踪准确率为95.81%,微机平台平均每帧处理时间为10.93ms,嵌入式平台为26.79ms.     

航空航天装配基准孔鲁棒性精确检测方法

提出了一种鲁棒性基准孔检测方法。通过显著性检测对图像进行预处理,获得显著图,利用Hough圆检测算法提取显著图中基准孔感兴趣区域;基于双阈值进行轮廓分割,并利用主成分分析提取基准孔像素级轮廓,然后使用Bazen方法提取基准孔亚像素轮廓;基于随机采样一致性（RANSAC）原理实现基准孔高精度定位。实验结果表明,该算法的拟合精度高,对真实基准孔的定位误差为0.027 mm,检测性能优良,对于反光、刀具痕迹、光照不均匀、带倒角螺纹孔、内嵌轮廓、遮挡等情况下的基准孔检测仍具有很好的鲁棒性。     

基于立体视觉及蛇模型的行人轮廓提取及其识别

从复杂、动态多变的交通图像中准确提取障碍物的轮廓曲线是智能汽车的一个重要研究课题,它对行人保护起着十分重要的作用。Snake模型是用来自动提取物体边界的曲线模型。结合立体视觉技术和Snake模型以实现行人检测:运用基于稠密视差的立体分割方法查找并分割潜在行人目标区域,为了便于后期目标轮廓提取,基于边缘检索的立体匹配算法被进一步用于提取感趣区(ROIs)内的目标初始边界;在此基础上,用Snake模型提取目标的完整轮廓曲线;轮廓因子及目标高程被用于ROIs的验证,即行人识别。针对Snake模型易受噪声干扰及难以收敛到凹陷边界等缺陷,提出了改进的距离势能模型。以典型交通场景为分析对象,对所提出的方法进行了测试,得到了较为理想的结果。     

Suomi NPP卫星可见光红外成像辐射仪的改进动态阈值云检测算法

基于可见光红外成像辐射仪多波段、宽覆盖、长重访周期的特点,以及云层在可见光到热红外通道的分布及变化特性,提出了一种适用于可见光红外成像辐射仪数据的改进的动态阈值云检测算法;通过遥感目视解译的方法对云检测结果进行精度验证,并与通用动态阈值云检测算法、可见光红外成像辐射仪云掩膜产品的结果进行对比。结果表明:所提算法能以较高的精度识别不同地表上空的云层,平均总体精度为93.23%,平均Kappa系数为0.821,对薄、碎云的整体识别精度得到了明显提高,错分和漏分误差明显减小;所提算法的云检测结果整体优于通用动态阈值云检测算法和可见光红外成像辐射仪云掩膜产品的云检测结果。     

基于X射线断层成像的逆向工程中轮廓序列分割算法的原理及实现

为了实现基于X射线断层成像(CT)的逆向工程中具有参数识别的三维图像重构, 提出了一种分割轮廓序列的新算法. 首先通过一定角度的射线法来得到轮廓间的嵌套关系,然后采用扫描一次关系矩阵生成轮廓树的方法实现层内轮廓定位, 最后运用轮廓间定量、定性的属性判定来完成层间的轮廓匹配. 通过实例, 本文提供的算法可以准确、快速地分割CT零件中的轮廓序列.     

基于引导滤波和分块自适应阈值的单帧红外弱小目标检测

为了在有效地检测复杂场景下红外弱小目标的同时保持较低虚警率,在满足算法实现实时性的前提下,提出一种基于引导滤波和分块自适应阈值的单帧红外弱小目标检测。首先,为缓解边缘杂波干扰,采用具有保边特性的引导滤波对图像进行背景估计;然后,利用弱小目标具备的局部灰度最大特性,提出基于软阈值非极大值抑制的九宫格滤波计算目标的概率。通过加权的方式进一步剔除背景,抑制结果中不满足目标特性的区域;最后,针对复杂场景目标检测虚警率和漏检率高的问题,提出一种分块自适应阈值分割方法提取候选目标。实验结果表明,在公开数据集上与Top-Hat、LCM和Max-Median等经典方法相比,所提方法性能优于其他方法,恒虚警下不同复杂度场景的召回率分别达到87.97%、84.93%和86.22%,可有效抑制背景,增强目标信号,提高红外弱小目标检测的召回率,且具有更好的场景鲁棒性。     

基于Adaboost+OLDA和近红外光谱的猪肉贮藏时间辨别

猪肉的贮藏时间和猪肉的新鲜度紧密相关。通过近红外漫反射光谱技术获取猪肉样本数据,利用正交线性判别分析(OLDA)算法进行特征提取,同时将自适应提升法(Adaboost)引入OLDA,提出了一种基于Adaboost和OLDA的集成学习算法——Adaboost+OLDA。实验针对分类正确率和运算时间将传统特征提取算法(PCA+LDA和OLDA)和Adaboost+OLDA算法进行了对比研究,结果表明Adaboost+OLDA算法不仅具有很好的运算效率,而且提高了OLDA算法的泛化能力,在猪肉样本测试中达到了95%以上的分类正确率。     

基于全方位形态学滤波和局部特征准则的点目标检测

对复杂背景下暗弱点目标和背景杂波特性进行了分析,提出了一种基于全方位多尺度的形态学滤波和局部特征准则的点目标检测方法。实验结果表明,在复杂背景和低信噪比条件下,所提算法的目标检测概率达到99.8%,虚警率为0.1%。与最大中值滤波法、高斯差分尺度空间法、高斯混合模型法进行对比,结果表明,所提算法对复杂背景的抑制作用较好,且算法复杂度不高,易于实时实现。     

超像素级联SVM分类视盘分割算法北大核心CSCD

视盘和视杯的精确分割是青光眼计算机辅助诊断的关键,考虑视盘的解剖学特征,提出基于超像素和级联SVM分类实现视盘的精确分割。首先对眼底图像超像素分割,基于视盘的解剖学结构特征,提取超像素的灰度、纹理、几何、位置分布等特征;然后采用基于SVM的监督聚类方法分类超像素区域,两级级联SVM分类器在分类过程中修正超像素位置信息,提升分割精度;最后基于Snake模型修复局部轮廓。在DRIONS和REFUGE数据库视盘分割精度分别为99.87%和99.52%,精度、灵敏度、特异性、AOL和DICE系数均高于该领域典型算法,实验证明所提方法能够精确分割视盘区域,且具有较强的鲁棒性;在青光眼诊断中具有一定的应用价值。     

基于自适应分块编码SVM的车道导向箭头多分类方法

针对在道路导向箭头的检测和识别中支持向量机(SVM)多分类器的识别效率下降的问题,提出一种利用简单二分类SVM通过对结果的自定义二进制编码实现导向箭头多分类的方法。对导向箭头感兴趣区域(ROI)图像进行Harris角点粗检测,利用改进FAST-9(Features from accelerated segment test-9)算法对伪角点进行筛选,根据最终获取的角点集合中纵坐标最大的两个角点位置分割图像获得待识别区域;再利用几何不变矩特征训练SVM分类器;对分类结果进行二进制编码,从而实现单一种类SVM下多种导向箭头的分类。算法在实拍获取的500帧图像中进行测试,识别率优于96.8%。结果表明:所提算法不需逆透视变换,利用一种SVM二分类器即可实现导向箭头的识别,有效提高了导向箭头识别的准确率和运行效率。