基于随机森林和多特征融合的青苹果图像分割

针对自然环境下青苹果图像中目标与背景颜色差异小和分割难度大的问题,提出一种基于多特征融合的随机森林(Random Forest,RF)分割方法.首先,基于灰度共生矩阵提取青苹果图像的能量、熵、对比度、相关性、熵标准差和对比度标准差6个纹理特征;然后,针对同幅青苹果图像提取RGB空间中的G+0.5R-B分量和HSI空间中的S+I分量作为组合颜色特征,以规避天空和高光区域对分割结果的影响;接着,以像素为单位对提取的纹理特征和颜色特征进行融合;最后,在融合特征的基础上采用随机森林对青苹果图像进行分割,并与传统仅利用单一特征的分割算法进行对比.实验结果表明,基于多特征融合的随机森林算法比传统仅利用纹理特征的算法正确分割率要高22.18%.     

基于粒子群优化的红外图像增强方法

为解决低照度条件下红外图像边缘模糊、对比度差等问题,提出了一种红外图像增强算法。用粒子群优化算法(particle swarm optimization,PSO)结合伽马校正方法,将灰度标准方差融入评价函数,熵、边缘内容、灰度标准方差被用作每个粒子的目标函数,来评估所获得的红外图像增强结果,通过寻找最优伽马值对图像进行全局增强,实现了对红外图像的细节增强。实验结果表明,与传统直方图均衡(histogram equalization,HE)算法、自适应直方图均衡(adaptive histogram equalization,AHE)算法、限制对比度的自适应直方图均衡算法(contrast limited adaptive histogram equalization,CLAHE)相比,该算法的峰值信噪比(peak signal-to-noise ratio,PSNR)、均方误差(mean-square error,MSE)、结构相似性(structural similarity index,SSIM)指标为所有对比算法中最优,PSNR、SSIM分别提升了约56. 97%和18. 01%,SSIM优化了约18. 01%。通过该改进算法来处理红外图像,可以显著提高图像对比度,使图像细节更丰富,视觉效果得到很大改善。     

基于线裁剪的自适应网络带宽分级传输图像的方法

针对图像网络传输中传输图像数据量或时长与目标图像质量之间的矛盾问题,考虑图像在不同网络带宽下传输的时效性,通过基于内容敏感的线裁剪减少图像数据量,提出了一种自适应网络带宽分级传输图像的方法。首先对网络带宽进行分级;并根据网络带宽对所传输的图像定义并实施不同程度的基于内容敏感的线裁剪;这里所采用的线裁剪在水平与垂直方向上交替同时进行。实验结果表明:所提出的基于内容敏感线裁剪的图像自适应网络带宽传输方法不仅很好地保留图像的主要特征,而且适应网络带宽减少了图像网络传输时的数据量;进而减少了图像网络传输时间,提高传输时效性,有利于图像的高效传输。     

基于改进自适应阈值局部三值模式的遥感图像分类

遥感图像背景复杂,存在光照变化和噪声干扰,导致图像分类准确率不高。针对该问题,在计算邻域像素离散度的基础上,通过对其施加不同权重以细化阈值范围,提出一种改进的自适应阈值局部三值模式(ATLTP)纹理特征提取算法,以提高遥感图像分类精度。首先,对原始遥感图像进行灰度拉伸预处理以增强图像对比度;然后,采用改进自适应阈值局部三值模式提取遥感图像的纹理特征;最后,利用支持向量机对遥感图像进行分类。在标准遥感图像数据集中稀疏建筑物和密集建筑物分类的实验结果表明:采用改进后的局部三值模式纹理特征对遥感图像进行分类的性能要优于传统的局部三值模式,验证了改进算法的有效性。