基于高斯混合模型的纹理图像的分割

文章提出了使用高斯混合模型对纹理图像分割的方法。该模型考虑到图像纹理的特点，使用二状态的高斯混合分布来对图像各纹理类像素的分布进行拟和。首先对待分割的各类像素寻找与之匹配的最佳模型参数，然后再进行分割。最后，对分割结果进行多尺度综合，得到了各尺度的分割结果。实验表明该算法不仅能够较精确地定位各纹理区域，而且还有运算速度快的优点。     

建立灰度图像的背景模型方法研究

建立背景模型是在灰度图像序列中进行目标跟踪常用的方法。建立背景模型的目的是对背景象素点的分布及其变化情况作一个描述，以便将前景目标从背景中分离出来。本文对几种建立背景模型的方法做了比较，并通过实验分析了各自的优缺点。     

基于偏斜t混合模型的流式数据自动聚类方法研究

流式数据分析的主要过程是以设门的方式对样本数据中的细胞群进行类群划分。由于传统人工设门方式的缺点,提出了一种基于偏斜 t混合模型的流式数据自动聚类方法。该方法采用有限混合模型形式,以偏斜 t布为模型密度函数,并通过期望最大化方法估计模型参数。通过对两组不同类型实验数据进行分析,结果表明：相比于非基于模型的聚类方法,基于混合模型的聚类方法对于流式数据的分析具有更好的鲁棒性,能够降低数据中离群值对结果分析的影响;相比于高斯混合模型、偏斜正态混合模型、t混合模型,基于偏斜 t分布的混合模型具有更好的灵活性,不仅能够拟合流式数据中椭圆对称分布的数据,而且对于高度非对称分布数据的分析也具有很好的效果。     

基于灰度图像的自适应背景模型运动物体检测算法比较研究

介绍了在视觉监控领域经常用到的几种基于自适应背景模型的经典方法，如非参数模型、W4模型、单高斯模型和混合高斯模型等。通过实验，着重从系统的敏感性、实时性和运动对象分割的完整性等方面分析比较了上述方法在检测过程中的优势及不足之处，以期在工程实践中有一定的参考作用。     

SAR图像的Gamma混合分布建模方法

随机信号的混合概率模型比单一概率模型具有更多的灵活性,更适合复杂的分布建模。当前主要的混合概率模型有高斯混合模型、α分布混合模型和Gamma混合模型等。但高斯混合模型更适合随机变量对称分布的分布建模,而α混合模型参数多、算法复杂。SAR图像的像素值为非负值,且多为斜峰分布,更适合用Gamma混合模型建模。仿真分析及数据测试都表明,本文提出的gamma混合分布建模方法对SAR图像的像素统计分布具有更高的运算效率。      

基于双高斯纹理滤波模板和极值点韦伯对比度的圆柱锂电池凹坑缺陷检测

本文针对圆柱锂电池表面图像具有亮度不均匀、金属表面反射不均、氧化锈斑和高亮噪声点等问题,提出一种基于机器视觉的解决方案.采用定义的双高斯纹理滤波模板与图像进行卷积,提取图像每列的灰度分布曲线,采用定义的极值点韦伯对比度选择曲线上突变点的阈值,根据先验知识筛选出凹坑候选区域,利用区域特征和灰度特征排除非凹坑纹理.测试结果...     

高斯混合模型在海面运动目标检测中的应用

针对海面背景图像的特点,利用高斯混合模型参数估计方法,建立了象素点背景模型并用于海面运动目标的检测。提出的基于变化检测的高斯混合模型参数估计方法与EM算法估计的模型参数极为相似,但前者大大节省了建立背景模型所需的内存空间,建模速度大约是后者的两倍。视频流实验验证了算法的有效性。     

基于张量高斯混合模型的SAR图像分割

本文利用SAR图像的灰度、均值、标准差及行和列位置信息等特征组成一个三阶特征张量,结合高斯混合模型,采用贪婪EM算法进行参数寻优,提出一种SAR图像分割方法,即张量高斯混合模型算法。     

基于混合高斯背景模型的运动目标检测

运动目标检测是计算机视觉、图像理解、目标跟踪等领域非常重要的研究内容。为了能够及时检测到图像场景中的运动目标,本文选择建立混合高斯背景模型作为检测运动目标的方法,该方法能有效的提取出运动的目标及其携带的运动信息,取得比较好的效果。     

基于超高斯混合模型的语音幅度谱增强算法

研究表明超高斯分布更加贴近语音信号的实际分布,然而语音信号很难用单一的概率密度函数准确描述,针对这一情况,提出了一种用超高斯混合模型对语音信号幅度谱建模的新方法,并推导了基于此模型的幅度谱最小均方误差估的估计式。仿真结果表明：与传统的短时谱估计算法相比,该算法不仅能够进一步提高增强语音的信噪比,而且可以有效减小增强语音的失真度,提高增强语音的主观感知质量。     

基于混合高斯模型的三马尔可夫场红外图像分割

针对马尔可夫随机场在红外图像分割方面存在的问题,给出了一种基于混合高斯模型的三马尔可夫场红外图像分割算法.三马尔可夫场在马尔可夫随机场的基础上通过引入一个附加随机场和全体随机变量服从马尔可夫性假设,克服了马尔可夫场算法中对条件概率分布相互独立的要求,并赋予该附加随机场对目标和背景区域的标识作用,其中采用混合高斯模型作为三马尔可夫随机场的先验模型.仿真结果表明,文中提出的基于混合高斯模型的三马尔可夫场红外图像分割算法能够实现复杂背景的红外图像准确分割,得到较为理想的分割效果.     

基于熵图像和隶属度图的高斯混合背景模型

经典的高斯混合背景模型中,高斯分量的个数是固定的,近邻像素间的相关性也没有被考虑。作为对这种模型的改进,该文利用熵图像来度量背景像素亮度分布的复杂程度,进而给出了根据熵图像为各像素选择高斯函数个数的方法,在保证检测精度的前提下节约计算资源;并利用隶属度来表示像素属于背景的可能性,通过融合各像素邻域的局部信息来对其进行有效的分类,使得分类决策的结果更可靠,而计算量却增加不多。多种真实场景下的实验证明了这种算法在计算速度和精度上的良好性能。     

抑制SAR图像中静止杂波背景检测慢速动目标

动目标的二次相位误差是方位向速度和距离向加速度作用的结果,导致信号的调频率改变.本文提出了一种抑制SAR图像中静止杂波背景检测慢速动目标的方法,它搜索动目标二次相位误差,汇聚动目标能量,同时利用包含正负对称二次相位误差的静止背景复图像模处处相等的规律,对消静止杂波背景,从而提高了检测动目标的性能.实测数据表明本算法有效.     

基于高斯混合背景模型的运动目标检测技术研究

在运动目标检测技术中,使用传统的高斯混合背景模型所得到的检测结果并不能完美地获取运动目标的轮廓信息,而图像中像素的梯度信息,刚好就是反映了各物体的轮廓和边界,并且相对于颜色信息而言,梯度信息对于噪声并不敏感。为此,该文对传统的高斯混合背景模型进行了改进,提出基于梯度时空信息的高斯混合背景模型,证明了改进的算法确实能够取...     

基于图像退化模型的红外与可见光图像融合方法

基于深度学习的红外与可见光图像融合算法依赖人工设计的相似度函数衡量输入与输出的相似度,这种无监督学习方式不能有效利用神经网络提取深层特征的能力,导致融合结果不理想。针对该问题,该文首先提出一种新的红外与可见光图像融合退化模型,把红外和可见光图像视为理想融合图像通过不同退化过程后产生的退化图像。其次,提出模拟图像退化的数据增强方案,采用高清数据集生成大量模拟退化图像供训练网络。最后,基于提出的退化模型设计了简单高效的端到端网络模型及其网络训练框架。实验结果表明,该文所提方法不仅拥有良好视觉效果和性能指标,还能有效地抑制光照、烟雾和噪声等干扰。     

基于时空的混合高斯背景建模的运动目标检测

本文针对摄像机固定下的复杂背景环境,提出一种基于时空的自适应混合高斯背景建模方法,克服经典混合高斯模型（Gaussian Mixture Model,GMM）中只考虑单个像素的独立性而忽略相邻像素间的空间域相关性。首先采用混合高斯模型对每个像素在时间域上进行学习,然后利用相邻像素的自信息对背景及前景目标进行二次聚类,以修正错误的判断。实验结果表明,与经典混合高斯背景算法相比,本文提出的方法目标检测结果更加完整,具有更强的鲁棒性和很好的应用前景。     

一种结合位置信息的混合模型图像分割方法

提出了一种新的受位置约束的混合模型图像分割方法。该方法在独立混合模型的基础上,采用空间滤波方法对像素所属分量的后验概率进行修正,在混合模型中隐含地加入了像素的空间位置信息。这种结合位置信息的方法为混合模型的分量选择提供了一种有效的实现方式。与其它的受位置限制的混合模型相比,该方法没有引入额外的模型参数,并且无需采用模型选择准则,可以实现自动的混合分量个数的选择。     

Wavelet-Domain Medical Image Denoising Using Bivariate Laplacian Mixture Model

In this paper, we proposed novel noise reduction algorithms that can be used to enhance image quality in various medical imaging modalities such as magnetic resonance and multidetector computed tomography. The noisy captured 3-D data are first transformed by discrete complex wavelet transform. Using a nonlinear function, we model the data as the sum of the clean data plus additive Gaussian or Rayleigh noise. We use a mixture of bivariate Laplacian probability density functions for the clean data in the transformed domain. The MAP and minimum mean-squared error (MMSE) estimators allow us to efficiently reduce the noise. The employed prior distribution is mixture and bivariate, and thus accurately characterizes the heavy-tail distribution of clean images and exploits the interscale properties of wavelets coefficients. In addition, we estimate the parameters of the model using local information; as a result, the proposed denoising algorithms are spatially adaptive, i.e., the intrascale dependency of wavelets is also well exploited in the enhancement process. The proposed approach results in significant noise reduction while the introduced distortions are not noticeable as a result of accurate statistical modeling. The obtained shrinkage functions have closed form, are simple in implementation, and efficiently enhances data. Our experiments on CT images show that among our derived shrinkage functions usually BiLapGausMAP produces images with higher peak SNR. However, BiLapGausMMSE is preferred especially for CT images, which have high SNRs. Furthermore, BiLapRayMAP yields better noise reduction performance for low SNR MR datasets such as high-resolution whole heart imaging while BiLapGauMAP results in better performance in MR data with higher intrinsic SNR such as functional cine data.      

基于背景光修正成像模型的水下图像复原

光在水下传播时由于受到水体吸收和散射作用的影响,导致水下图像质量严重退化。为了有效去除色偏和模糊,改善水下图像质量,该文提出一种基于背景光修正成像模型的水下图像复原方法。该方法基于对雾天图像的观察,提出了水下图像背景光偏移假设,并基于此建立背景光修正成像模型;随后使用单目深度估计网络获得场景深度的估计,并结合背景光修正的水下成像模型,利用非线性最小二乘拟合获得水下偏移分量的估计值从而实现水下图像去水;最后优化去水后的含雾图像的透射率,并结合修正后的背景光实现图像复原。实验结果表明,该文方法在恢复水下图像颜色和去除散射光方面效果良好。     

基于多尺度和注意力模型的红外与可见光图像融合

针对红外与可见光图像在融合后容易出现伪影,小目标轮廓不清晰等问题,提出一种基于多尺度特征与注意力模型相结合的红外与可见光图像融合算法。通过5次下采样提取源图像不同尺度的特征图,再将同一尺度的红外与可见光特征图输入到基于注意力模型的融合层,获得增强的融合特征图。最后把小尺度的融合特征图进行5次上采样,再与上采样后同一尺度的特征图相加,直到与源图像尺度一致,实现对特征图的多尺度融合。实验对比不同融合框架下融合图像的熵、标准差、互信息量、边缘保持度、小波特征互信息、视觉信息保真度以及融合效率,本文方法在多数指标上优于对比算法,且融合图像目标细节明显轮廓清晰。