低对比度全景球面图像目标分割方法研究

受到光照、设备等外界条件的影响,得到的全景球面图像对比度通常较低,当前目标分割方法无法解决外界环境的干扰问题,导致分割结果精度低,分割效果不佳。为此,提出一种新的低对比度全景球面图像目标分割方法,通过PCNN模型对低对比度全景球面图像进行对比度增强处理,依据人眼视觉特征,通过对数变换映射函数把全景球面图像的亮度调整至一个合适的视觉范围内。介绍了均值偏移法的理论基础,通过对特征空间中样本点的聚类,获取模式点。通过均值偏移法将空间上相邻和色彩相同的像素划分至一类,找到不同颜色的聚类点,从而实现低对比度全景球面图像目标分割。实验结果表明,采用所提方法对低对比度全景球面图像进行分割,不仅分割效果好,而且分割精度高。     

基于视觉显著性的彩色图像分割

为了提高图像显著性检测的准确性,从数学模型上探索显著性的多特征空间.利用多尺度特征提取算法获得低层视觉特征,对特征矩阵用低秩矩阵恢复理论提取显著图,并在自底向上模型基础上融合了高层视觉特征,由高层视觉特征构成一幅权重的显著图.提高了显著度和显著目标的检测性能.通过自适应阈值算法对视觉显著目标进行分割.实验结果表明,该模型比传统的模型提取的显著目标更完整、更准确.     

彩色目标识别中的单通道目标分割方法

本文提出了一种用于彩色目标识别的使用综合色距函数进行彩色图像色彩分割的方法。通过引入反映目标色彩向量与参照物的特征色彩向量之判别的综合色距函数，可将彩色图像处理中的常规多通道处理过程简化在单通道内进行，实验结果表明不但大大降低运算量，而且还可省去多通道处理所必需的综合判别过程，使识别速度大大提高。     

基于视觉显著性和活动轮廓的图像分割

提出一种视觉显著性和传统的C-V模型相结合的图像分割方法,该方法首先提取图像的显著图,然后使用改进的自适应阈值法将显著图进行二值分割并提取边缘,并以此边缘作为C-V模型演化的初始轮廓.这样对于具有复杂背景的图像C-V模型可以从靠近目标物体的位置开始演化,从而得到较为准确的边缘,同时,也可以减少C-V模型的迭代次数.     

低对比度图像目标分割的研究

利用图像分割技术,采用矩不变自动门限方法,对低于对比度的精子显微图像进行了自动分割,实验表明,该方法能够在较短的时间分分割出目标和背景,同时能克服二值比过程中出现的断线和粘连等问题,且方法简单,容易实现,具有较好的实用价值。     

一种快速农田目标分割方法的实现

机器视觉在农田自动导航中发挥着越来越重要的作用,本文在分析农田图像的特点后,利用EXG对RGB图像进行灰度化。在分析各种分割算法的基础上,提出了基于亮度的分割算法。通过对不同时期的农田图像进行处理,证明该算法简单,速度快,可以满足导航中目标提取的实时性需求,同时具有一定的通用性。     

水下双目视觉系统中的目标分割和目标定位

针对典型灰度化和阈值方法用于水下目标分割时存在的目标分割不完整等问题,提出了基于灰度对比度增强的两步目标分割方法:第一步基于彩色矢量阈值进行目标粗分割;第二步分析局部对比度和区域内均匀性,动态确定不同通道的权值和反向处理,进而增强灰度对比度,完成目标精分割.针对典型标定、立体匹配和目标位置测量方法不适用于本研究环境的问题,提出了基于目标尺寸估计的目标定位方法,首先完成在线外参标定和目标圆心匹配,然后利用双目位置测量数据估计目标的尺寸,最后采用单目位置测量得到定位数据.结果表明:该分割方法能够准确分割目标,分割准确率和错分类比率均优于典型方法,定位方法能够得到目标三维位置数据,研制的双目视觉系统能够有效配合水下运载器-机械手系统完成自主作业任务.     

基于图像边缘和对比度的显著目标检测

为了对自然场景中各类显著目标进行准确的检测,提出了一种结合图像边缘和多尺度对比度信息的检测方法。首先对图像进行快速双边滤波,在对图像平滑去除复杂纹理的同时保留物体结构边缘信息,然后用直线检测算子进行边缘检测得到边缘显著图。再利用对比度检测算子计算图像的区域对比度和全局对比度得到对比度显著图。融合边缘显著图和对比度显著图得到最后的显著目标图。实验表明该方法准确率高于大多数现有的显著目标检测方法。     

一种基于视觉熵的图像分割压缩方法

基于视觉熵概念提出了一种静止图像分割压缩方法．通过对人类视觉系统特性的归纳,总结了基于视觉熵的图像分割原理,提出了用于量化图像特征的数学定义和基于视觉嫡的分割算法．实验结果表明,这种基于视觉熵的图像分割压缩算法既提高了压缩比,又能保证压缩后的重建图像整体上具有高的主观视觉感知质量．     

一种结合视觉显著性的GrabCut图像分割方法

结合显著区域检测技术和GrabCut算法,提出了一种新的图像分割方法.首先,计算融合中心知识和目标紧致度的多尺度区域对比度,通过Harris特征信息和贝叶斯模型进一步提高显著性,得到更加精确的前景检测模型;然后,对显著图进行分割获得目标的粗略位置,将位置信息用于GrabCut算法初始化,并在GrabCut初始化建模中引入显著值权重;最后,结合形态学运算改进分割的目标.实验结果表明:该方法能够实现自动分割,并且取得了接近甚至优于一些GrabCut方法的结果.     

时空对比度引导的视频显著目标提取模型

针对经典视频显著目标提取模型没有充分利用时域显著性线索,易受背景噪声干扰,提取的显著目标不完整等问题,提出了一种在时空对比度指导下的视频显著目标提取模型.首先,自适应融合RGB颜色空间对比度和运动对比度,确定显著目标的先验信息;然后,利用当前帧的前景提取项和邻近帧位置约束项组成能量函数,指导时空显著性线索融合;最后,通...     

融合注视点预测和流形学习的显著性目标分割

针对现有显著性分割算法在图像背景复杂时先验知识不够健壮的问题,提出一种融合注视点预测和流形学习的显著性目标分割算法,能有效地对复杂场景中的显著性目标进行分割.该算法通过引入注视点先验知识和提取超像素分割图,预测并粗分割场景中的显著性目标;为了进一步提高显著性分割的性能,利用色彩模型(CIE-Lab)空间的颜色对比度表示超像素的特征;通过基于流形学习的方法对粗分割区域进行显著性优化,提高了分割精度.实验结果表明:在处理复杂图像集过程中,相比其他分割算法,该算法性能提高了21.8%,并且在不同环境下的显著性目标分割的鲁棒性更好.     

基于显著性检测和Grabcut算法的茶叶嫩芽图像分割

人工采茶存在效率低下、人工成本高等问题,机械采茶取代人工采茶成为一种重要的采茶方式,针对机械采茶中自然背景茶叶嫩芽分割效率问题,提出了一种自然背景下的茶叶嫩芽图像分割算法.利用显著性检测算法提取出图像中的突出目标作为显著性图,结合GrabCut算法精确的分割出突出的对象.实验结果表明,该图像分割算法对于背景复杂且目标与背景对比不明显的茶叶图像具有良好的分割效果,这为机械手采茶提供了一种新的方法.     

基于色彩分割与局部模型匹配的非刚性目标跟踪

针对固定监控场景提出了一种基于色彩分割与局部模型匹配的目标跟踪方案.利用自适应混合高斯背景模型提取前景运动目标,通过基于区域生长的色彩分割算法建立目标局部模型并实时更新,结合区域约束条件和模型特征匹配实现目标跟踪.实验结果证明,本算法能有效地实现多运动目标的跟踪,对跟踪过程目标部分遮挡与形变问题具有良好的适应性和鲁棒性.     

运动目标分割中的自适应背景建模方法

背景差法是视频图像序列中运动目标分割的重要方法。为了解决背景中光照亮度渐变和背景物体移动等问题,提出了基于动态信息窗口(DTW)的自适应背景更新算法。根据像素的动态变化信息决定更新策略。利用该方案实现了人体检测系统,并且在室内和室外进行了实验。实验结果表明所提出的方法不仅能自适应地更新背景模型,而且较其他方法能更有效地消除阴影。     

一种色彩平衡和肤色分割方法

根据人眼的生物特性,提取巩膜区域作为参考白进行色彩平衡.在YCbCr色彩空间采用高斯肤色模型,并利用自适应阈值进行肤色分割,实验结果证明了方法的可行性和优越性.     

一种人脸对象的区域分割方法

人脸特征的提取通常是先把人脸中包含特征信息的区域分割出来,然后分别对每个区域进行特征定位和提取。这样可以克服将整个人脸作为一个研究对象来处理所存在的复杂性,减少背景和其它物体的干扰,提高特征提取的准确性。还可以减少图像数据处理量,节省处理时间。在分析用在人脸对象区域分割的常用方法基础上,采用基于眼间带状人脸区域垂直梯度图的人脸对象区域分割方法对五官进行分割。实验结果表明:这种方法具有很高鲁棒性,并且算法实现简单。     

足球机器人视觉系统中彩色目标分割方法

足球机器人(MiroSot系列)仅依赖于其视觉系统获得比赛场上的信息.视觉系统对获取的小车顶部标志块的彩色图像进行处理,以识别小车信息.作者试验了3种彩色标志块的设置,并在第1种方案的基础上研究了一种快速彩色目标分割方法,即根据足球机器人视觉系统所处理的视频图像中,待识别的目标区域(前景)面积远小于其他区域(背景)的面积,运用一种基于全局扫描的快速算法,1次分割出所有感兴趣的目标,缩减了系统中目标识别时间,从而使系统能进行一些额外的图像预处理操作,在提高系统识别速度的同时,提高识别精度.     

基于稀疏表示模型的显著目标检测

针对基于鲁棒主成分分析的显著目标检测方法,在显著目标出现不同颜色时不能产生一致的显著值,提出基于稀疏表示模型的显著目标检测方法. 该方法用l₁范数约束显著目标的表示系数,并引入拉普拉斯图正则项保持显著目标超像素的近邻关系,使特征相似的超像素有相似的表示系数,检测出的显著目标内部更平滑,显著值趋于一致. 在2个公开的显著目标数据集上的实验表明,所提方法是有效的.     

一种改进的彩色图像分割方法

介绍了一种融合多尺度形态学、蚁群聚类、模糊C-均值(FCM)聚类的新的彩色图像分割方法.该算法首先利用多尺度形态学提取图像边缘,再利用蚁群聚类算法的全局搜索性和鲁棒性的优点并结合边缘信息,确定聚类中心和聚类个数,将其作为FCM聚类的初始聚类中心和聚类个数,克服了FCM算法自身并不能确定聚类中心需要人为设定的缺陷.实验结果表明,该算法可以准确地分割出目标,是一种有效的图像分割方法.