基于优化蚁群算法的图像边缘检测改进算法

针对蚁群算法在图像边缘检测应用中出现的停滞、效率低等问题,提出了优化的改进方案。首先根据图像的灰度值确定启发式引导信息矩阵,在迭代运算中对信息激素强度和信息激素挥发度分别进行取值区间限制和自适应控制策略,搜索完成后采用Otsu阈值法检测出边缘。与传统算法相比,优化算法对搜索过程进行了适当的控制,提高了搜索的目的性,有效解决了停滞和收敛速度慢的缺陷。经测试,该算法能以更高的效率有效提取出边缘信息,同时保留了细节信息。     

遗传算法在运动目标检测中的应用

运动目标的检测在智能交通监控、车辆导航、标的正确检测十分困难，当观测采样数据受到异常污染时，辅助驾驭、高速公路上的自动收费等都有广泛的应用。运动目检测的性能对模型的微小变化不敏感。这就要求系统检测具有在其特性或参数发生摄动时仍可使品质指标保持不变的性能即鲁棒性。该文提出了在动态图像序列中基于Otsu法和遗传算法相结合的方法动态确定差分图像二值化的阈值以代替人工确定阚值的方法，从而鲁棒地检测出运动目标。     

基于Grabcut分割和填充物面积判别的复合绝缘子断串诊断

针对传统 GrabCut 算法需要人工初始化而引起图像分割效率低的问题,结合Otsu方法,提出了一种新的Grabcut自动化算法对复合绝缘子进行分割。首先,对原始图像进行HSV空间转换和加权的灰度化处理。其次,对V通道图像和灰度化后的图像进行Otsu分割并进行或逻辑融合,以此来确定目标绝缘子区域,并结合最大连通域定位绝缘子位置坐标完成Grabcut框取初始化,实现Grabcut的自动化。最后,针对绝缘子断串判别准确率低的问题,通过对绝缘子分割图像的最小外接矩形加框、填充、去原图的方式,提出一种新的面积判别方式来诊断并定位故障位置。实验结果表明：Grabcut自动化算法可以很好地分割出目标绝缘子,分割准确率可以达到96.6%以上。所提出的面积判别方法对于具有断串故障的绝缘子检测率可以达到96.6%以上,对于无故障的误检率为6.7%以下。     

改进Zernike矩亚像素边缘检测算法研究*

针对Ghosal算法检测出的边缘较粗以及手动反复调节阶跃强度阈值引起的效率低的问题,提出了一种改进算法.首先,推导出模板系数,并计算得出Zernike矩.其次,利用推导出的公式计算出距离阈值和边缘阈值,利用Otsu法计算得到最佳阶跃强度.最后,通过设计三组实验,来验证改进算法的有效性.实验证明,改进算法能够更加有效地检测出图像的边缘,减少伪边缘的存在并且细化了边缘,提高了定位精度,同时降低了算法的执行时间.     

基于遗传算法和Otsu理论的图像阈值自动选取

利用传统的Otsu理论进行图像阈值选取，计算量较大，现将遗传算法和Otsu理论进行了有机结合，实现了图像阈值自动选取，且大大降低了计算量。实验结果表明该算法不仅提高了分割质量，而且缩短了寻优时间，从而说明了该算法的有效性、正确性。     

大空间图像型火灾探测算法的研究

针对火灾视频图像中一般亮点区域较小，背景区域占据图像大部分的特点，采用区域分割算法将各个亮点区域提取出来，分别进行处理，提高了算法的抗干扰性，使相同算法的处理时间平均减少到原来的五分之一，使文中使用的复杂算法达到实时性要求；同时在区域分割算法的基础上，成功地提取了疑似区域的边界链码，并在此基础上计算了各个区域的圆形度，从而又增加了两个火灾判断的判据：边界链码和圆形度；并通过神经网络进行数据融合，可进一步降低火灾探测系统的误报率。     

基于差异积累的视频运动对象自动分割

针对视频运动对象的自动分割，本文给出了一种基于差异积累的自动分割算法。与传统的基于运动信息变化检测方法不同，该算法通过累积的帧差信息构建出可靠的背景，与当前帧比较进而提取出视频运动对象。本文提出了一种增强的基于Otsu法的自适应阈值化方法，能更准确地对背景差图像进行阈值化分割，克服了传统Otsu法阈值化容易失效的问题。改进的基于区域生长的定位方法更能避免传统方法的误定位及重定位的问题。实验结果表明，本文算法具有较好的实时性、自适应性以及鲁棒性，可以较为可靠地建立背景模型并进行实时更新，适用于刚体或非刚体存在平缓的光照变化以及摄像头微抖动的视频运动对象的自动分割。     

基于区域分割的水下目标实时识别系统

提出了一种基于最优阈值分割算法的水下目标自动实时识别系统。该系统首先运用去噪、图像均衡等方法对实时摄取的水下图像进行预处理。然后运用基于遗传算法优化的 Otsu(即大津方法)最优阈值分割算法对所得图像进行区域分割并提取图像的特征向量。最后采用 BP 神经网络对提取的特征向量进行自动分类从而最终确定了水下目标的类型。水槽仿真试验表明该方法能够在恶劣的环境下自动地检测水下目标,而且该方法具有较强的抗光线干扰能力和较高的准确度。     

基于数学形态学的密集转发干扰抑制算法

基于数字射频存储器(Digital Radio Frequency Memory,DRFM)的干扰机在一个脉冲重复周期内通过重复转发截获的雷达发射信号形成密集假目标干扰,严重影响雷达对真实目标的检测和跟踪。针对这一问题,提出了一种基于数学形态学的密集假目标干扰抑制算法。该方法先用Otsu算法对脉压后的回波二值化处理,利用形态学中的开运算抑制密集干扰,对滤除干扰后的回波信号做动目标检测(Moving Target Detection,MTD)获取目标参数,实现了干扰环境下的目标检测。通过仿真和实测数据的处理,验证了该方法可以有效抑制密集假目标干扰,实现对目标的检测。     

改进的形态学与Otsu相结合的视网膜血管分割

针对视网膜图像采集过程中由于疾病引起的图像光照反射过强问题,提出了一种修正的形态学与Otsu相结合的无监督视网膜血管分割算法。首先运用形态学中的高低帽变换增强血管与背景的对比度;然后提出了一种修正方法,消除部分由视网膜疾病引起的光照问题;最后使用Otsu阈值方法分割血管。算法在DRIVE和STARE视网膜图像数据库中进行了测试,实验结果表明,DRIVE数据库中的分割精度为0.9382,STARE数据库中的分割精度为0.9460,算法的执行时间为1.6s。算法能够精确地分割出视网膜血管,与传统的无监督视网膜血管分割算法相比,算法的分割精度高、抗干扰能力强。