基于LWT和递归最小类内绝对差的红外小目标检测

针对存在背景干扰和噪声情况下的红外弱小目标检测问题,提出一种基于提升小波变换(LWT)和递归最小类内绝对差的检测方法.一方面先利用提升小波对原始图像进行去噪,再利用Top-hat算子抑制背景;另一方面先利用Top-hat算子抑制原始图像的背景,经提升小波去噪后,再进一步使用Top-hat算子;上述两方面得到的图像求和即为预处理图像.然后采用递归最小类内绝对差阈值选取方法分割预处理图像.针对红外小目标图像进行了大量实验,并与基于形态滤波及基于小波和形态学的红外小目标检测方法进行了比较.结果表明本文方法提高了信噪比,检测率分别提高15%和10%.     

基于复无下采样轮廓波和Gaussian小波支持向量回归的红外目标图像背景抑制

针对存在背景干扰和噪声情况下的红外目标图像背景抑制问题,提出了一种基于复无下采样轮廓波变换（NSCCT）和Gaussian小波支持向量回归（SVR）的背景抑制方法。该方法对红外目标图像进行NSCCT,然后根据其系数的相关特性去噪,从而抑制了大部分背景杂波;采用Gaussian小波SVR对去噪后的红外目标图像进行处理得到预测图像,并用去噪后图像减去预测图像得到残差图像,即背景抑制结果。针对红外目标图像进行了大量实验,并与近年来提出的3种背景预测方法,即基于最小二乘支持向量回归（LS-SVR）、基于SVR及基于最小二乘的红外目标图像背景抑制方法进行了比较,结果表明所提出的方法去噪效果好,背景抑制性能更优。针对存在背景干扰和噪声情况下的红外目标图像背景抑制问题,提出了一种基于复无下采样轮廓波变换（NSCCT）和Gaussian小波支持向量回归（SVR）的背景抑制方法。该方法对红外目标图像进行NSCCT,然后根据其系数的相关特性去噪,从而抑制了大部分背景杂波;采用Gaussian小波SVR对去噪后的红外目标图像进行处理得到预测图像,并用去噪后图像减去预测图像得到残差图像,即背景抑制结果。针对红外目标图像进行了大量实验,并与近年来提出的3种背景预测方法,即基于最小二乘支持向量回归（LS-SVR）、基于SVR及基于最小二乘的红外目标图像背景抑制方法进行了比较,结果表明所提出的方法去噪效果好,背景抑制性能更优。     

基于Tsallis交叉熵快速迭代的河流遥感图像分割

为了使河流遥感图像分割的精度和速度进一步提高,本文提出了一种基于二维Tsallis交叉熵快速迭代的河流遥感图像分割方法。鉴于现有的Tsallis交叉熵阈值法运算效率不够高,首先提出了一维Tsallis交叉熵阈值选取的快速迭代算法;然后导出了基于灰度级—邻域平均灰度级直方图的Tsallis交叉熵阈值选取公式,以进一步提高分割精度,并采用递推方式计算阈值选取准则函数中的中间变量,避免其重复运算,加快运算速度;最后,提出了二维Tsallis交叉熵阈值选取的快速迭代算法,推导出相应的公式,大大减少了运算量。大量实验结果表明,与近年来提出的4种阈值分割方法相比,本文方法在对河流遥感图像的分割效果及运行时间上均有明显优势,是河流检测与类型识别系统中可选择的一种快速有效的分割方法。      

基于机器视觉的表面缺陷检测方法研究进展

在半导体、PCB、汽车装配、液晶屏、3C、光伏电池、纺织等行业中,产品外观与产品性能有着千丝万缕的联系。表面缺陷检测是阻止残次品流入市场的重要手段。利用机器视觉的技术进行检测效率高、成本低,是未来发展的主要方向。本文综述了近十年来基于机器视觉的表面缺陷检测方法的研究进展。首先给出了缺陷的定义、分类以及缺陷检测的一般步骤;然后重点阐述了使用传统图像处理方式、机器学习、深度学习进行缺陷检测的原理,并比较和分析了优缺点,其中传统图像处理方式分为分割与特征提取两个部分,机器学习包含无监督学习和有监督学习两大类,深度学习主要囊括了检测、分割及分类的大部分主流网络;随后介绍了30种工业缺陷数据集以及性能评价指标;最后指出缺陷检测方法目前存在的问题,对进一步的工作进行了展望。     

基于改进CV模型的煤矿井下早期火灾图像分割

煤矿井下早期火灾图像中火焰区域、火焰余辉及非火焰高灰度干扰区域三者的灰度值十分接近,利用传统的Chan-Vese(CV)模型很难将火焰区域精确地提取出来。针对这一问题,提出了一种改进的CV模型以实现煤矿井下早期火灾图像的精确分割。在计算目标和背景区域拟合中心时,引入自适应权值进行加权平均,充分考虑了像素点灰度值与拟合中心的差异,并据此确定该点对拟合中心的贡献度,更加精确地计算目标和背景区域的拟合中心;为了加速模型的演化,引入曲线内外区域像素的中值绝对差,替换模型中的内外区域能量系数,提高模型分割效率。最终达到快速提取早期火灾图像中火焰区域的目的。大量实验结果表明,与现有的Otsu算法、CV模型、引入能量权重的CV模型、引入梯度信息的CV模型以及两种类似提出模型的CV模型相比,利用改进CV模型对煤矿井下早期火灾图像,能取得更好的分割效果,并且满足实时性要求。     

基于NSCT和Tsallis熵的SAR图像快速分割方法

针对小波域SAR图像分割结果粗糙及运算速度低的不足,本文提出一种基于非下采样Contourlet变换(NSCT)和混沌粒子群优化(CPSO)的最大Tsallis熵的SAR图像快速分割方法。首先,利用NSCT提取SAR图像的概貌和细节信息,并建立相应的概貌-细节灰度级矩阵模型;然后,利用Tent映射CPSO算法搜索最优阈值,并提出递推算法大大减少迭代过程中适应度函数的重复计算。实验结果表明,与小波域SAR图像快速分割方法相比,该方法采用了具有多方向性和移不变性的NSCT分解图像,信息提取更为有效,分割结果更佳;同时由于引入混沌序列并以递推方式计算粒子适应度,粒子群搜索的收敛精度更高,运算时间更少。      

基于混沌PSO或分解的二维最小误差阈值分割

为了进一步提升现有的二维最小误差阈值分割快速递推算法的运行速度,提出分别基于混沌粒子群优化（PSO）和分解的2种二维最小误差阈值分割算法.第 1种算法利用混沌粒子群优化算法搜寻二维最小误差法的最佳分割阈值,且在迭代过程的适应度函数计算中引入递推算法,大大减少了冗余计算;第2种算法将二维最小误差法的运算分解成一维最小误差法和一维最小类内对数方差法的运算,计算复杂度由二维递推算法的O(L2) 进一步降为O(L).实验结果表明,提出的2种算法能够在分割效果达到或优于现有的二维最小误差阈值分割法的同时,大大加快运行速度.     

基于最小类内绝对差和最大差的图像阈值分割

阈值分割是图像处理中一种简单有效的图像分割方法,应用极为广泛.阈值选取是阈值分割的关键.最小类内方差法(Otsu法)因其分割精确,适用范围广而成为广泛采用的一种图像阈值分割方法,它实质上是最小二乘法(基于L2范数).与此不同,本文提出了基于最小类内绝对差(基于L1范数)及最小类内最大差(基于L∞范数)的图像阈值分割算法,并导出了这两种方法的二维算法形式.文中给出了实验结果,并进行了分析与比较.结果表明,这两种方法在某些类型图像下,阈值分割效果明显优于最小类内方差法,而其二维算法的分割效果普遍优于相应的一维算法.     

图象对比度增强处理方法（一）

本文依据大量的有关文献较完整地总结了近20年来相继提出和研究的60多种图象对比度增强方法,并把这些方法划分为八类。简明地论述了各种方法的基本思想及其优缺点,并给出了一些相应的计算公式和若干图例。本文对于理论上进一步探讨图象对比度增强方法和实际应用中选择合适的图象对比度增强方法都颇有价值。     

Shearlet变换与核各向异性扩散的图像噪声抑制

为了更有效地抑制图像噪声,改善图像视觉效果,提出了一种基于非下采样Shearlet变换（ nonsubsampled shear?let transform,NSST）与核各向异性扩散的图像噪声抑制方法。首先对含噪图像进行非下采样Shearlet变换;然后对所得到的低频和高频分量分别进行改进的全变差（ improved total variation, ITV）扩散与核各向异性扩散（ kernel anisotropic diffu?sion, KAD）;最后对扩散后的低频和高频分量进行非下采样Shearlet逆变换得到噪声抑制后的图像。给出了实验结果,并且依据主观视觉效果和峰值信噪比、结构相似度两种定量评价指标,与近年来提出的基于小波阈值收缩结合全变差、基于复Contourlet域非线性扩散、自适应Shearlet域约束的全变差等3种噪声抑制方法进行了比较。实验结果表明,该方法的噪声抑制能力更强,且更为完整地保留了图像的边缘和细节信息。