基于交互式条件随机场的RGB-D图像语义分割

RGB-D图像语义分割是场景识别与分析的基础步骤,基于条件随机场(CRF)的图像分割方法不能有效应用于复杂多变的现实场景,因此提出一种交互式条件随机场的RGB-D图像语义分割方法。首先利用中值滤波和形态重构方法对Kinect相机拍摄的RGB-D图像进行预处理,降低图像噪声及数据缺失;其次,利用基于条件随机场的分割方法对经过预处理的图像进行自动分割,得到粗略的分割结果;最后,用户通过交互平台,将代表正确场景信息的标签反应到条件随机场模型中并进行模型更新,改善分割结果。通过多组实验验证了该算法不仅满足用户对于复杂场景分割与识别的需求,而且用户交互简单、方便、直观。相较于传统的基于条件随机场分割方法,该方法得到较高的分割精度和较好的识别效果。     

基于图像显著性区域的遥感图像机场检测

针对已有方法对图像逐像素进行分析的不足,将人眼的注意力选择计算模型引入到遥感图像的机场目标检测中,提出一种基于图像显著性区域的遥感图像中机场目标检测与识别的方法,以提高自动目标检测的效率.首先利用霍夫变换对遥感图像中是否存在机场目标进行初步筛选,然后利用改进后的基于图像的视觉显著性模型提取显著性区域,根据区域上的尺度不变特征变换特征并结合多层分类回归树完成机场目标的识别.实验结果表明,该方法比现有的其他机场检测方法具有速度快、识别率高、虚警率低的特点,同时对噪声有较强的鲁棒性.     

基于条件随机场的矿工检测方法

针对现有视频图像目标检测算法应用于矿工检测时检出率、定位准确率、检测效率等均较低的问题,提出了一种基于条件随机场的矿工检测方法。该方法包括矿工检测模型建立与矿工检测识别2部分。在模型建立阶段,提取若干样本图像的方向梯度直方图特征,并利用主成分分析法对特征进行降维处理;以条件随机场为框架进行感兴趣区域标志,以标定训练样本,并训练条件随机场模型参数。在检测识别阶段,提取待检测图像的方向梯度直方图特征,并对特征进行降维,采用训练得到的条件随机场模型,通过局部二元模式推断标定图像各子窗口,最终得到矿工所在区域。实验结果表明,该方法可准确地检测出矿工在图像中的位置。     

基于改进马尔科夫随机场的路标去噪识别算法

针对路标图像容易受噪声干扰和路标的识别问题,提出了一种基于改进马尔科夫随机场的路标去噪识别算法,标识变量采用EM学习算法估计;算法分为两步:首先利用马尔科夫随机场对已经被噪声污染的图像进行建模恢复;其次,通过计算恢复后图像的不变矩对路标图像进行分类识别;仿真实验比较了中值滤波方法和高斯平滑两种方法,实验结果表明利用马尔科夫随机场的方法与其他两种方法相比,该新算法处理后的图像可以达到较好的降噪效果,提高恢复路标图像的清晰度,能够更好地识别出路标,体现出该算法的优越性和有效性。     

边缘分割算法在机场识别中的应用

机场识别作为模式识别领域的问题之一,在军事上有着重要的应用前景。图像的边缘包含了大量的梯度信息,图像中的真实边界点处的梯度强度大于其左右领域的梯度强度值。本文结合机场识别自身的特点,通过对几种经典的边缘分割算法的比较,并对实验结果进行分析,论述了几种不同分割算法的优劣,为了进一步的识别工作做好了准备。     

遥感图像中机场目标的识别方法

机场识别作为模式识别领域的问题之一,在军事上有着重要的应用前景。它包括判断机场是否存在和机场定位两个方面。结合已有的方法,提出了一种新的机场识别的解决方案。该方案先使用阈值分割方法进行图像分割,然后利用像素标记法提取出最大连通区域,作为疑是机场区域(ROI);用Canny算子进行图像的边缘提取,提出了一种改进的Hough变换,能够从边缘图像中准确地提取出直线段,并最终实现机场跑道的定位。     

改进的机场停泊飞行器目标分割算法

考虑到飞行器目标在整幅图像中所占的比例往往较小,且图像背景复杂,本文提出了一种基于机场区域提取的飞行器目标分割算法.该算法首先利用Hough变换检测直线的特性,定位机场跑道和停机坪的位置,并结合教学形态学等图像处理技术去除了非机场区域;在提取机场区域后,再选择适当的阈值对图像进行分割,最后经过形态学去噪、小区域去除等步骤分割出飞行器目标.实验结果表明,该算法改进了以往机场区域提取算法保留候机楼等附属部分以及提取结果中存在机场区域以外区域的缺点,较好地实现了机场停泊飞行器目标的分割,为下一步准确识别飞行器类型奠定了基础.     

基于高阶CRF模型的图像语义分割

图像语义分割方法大多基于点对条件随机场模型, 不能定位到单个目标, 并且难以利用全局形状特征, 造成误识。针对这些问题, 提出一种新的高阶条件随机场模型, 将基于全局形状特征的目标检测结果和点对条件随机场模型统一在一个概率模型框架中, 同时完成图像分割、目标检测与识别的任务。利用目标检测器和前背景分割算法获取图像中目标区域, 在目标区域上定义新的高阶能量项。新的高阶条件随机场模型就是高阶能量项和点对条件随机场模型的加权混合模型, 其最优解即为图像语义分割结果。在MSRC-21类数据库上进行的实验验证了该模型能够显著提升图像语义分割性能, 并定位到单个目标。     

卫星遥感图像中机场的识别方法研究

机场识别作为模式识别领域的问题之一,本文结合一些已有的方法,提出了一种新的机场识别及跑道检测的解决方案.使用模糊学增强方法对遥感图像进行预处理,利用阈值分割方法进行图像分割,然后利用像素标记法提取出最大连通区域,最后通过ROI的算法,实现对机场区域的定位.     

基于直线和区域显著性融合机制的机场检测

针对遥感图像数据量大和现有机场检测方法存在的不足，提出了一种去除重复模式，融合直线显著性和区域显著性的机场检测方法。首先利用改进的基于超复数傅里叶变换的显著性模型，去除遥感图像中的重复模式，减少后续数据处理量；然后根据跑道平行长直线特性和机场与周围环境的差异性，计算基于直线和基于区域的显著图，并进行融合；最后结合跑道宽度确定候选区，通过深度卷积神经网络和支持向量机进行特征提取和识别。实验证明所提算法对机场定位更加准确，具有识别率高、虚警率低、速度快的特点。