基于灰度聚类算法的红外图像增强研究

根据红外灰度图像的特点，提出了一种基于K-均值聚类的图像增强的新算法。该算法首先根据具体图像确定K值，其次对红外图像的辐射温度数据进行统计学习，把不同温度值按升序排列，然后按等差原则选取温度值作为初始聚类中心，再依据初始聚类中心采用K-均值聚类算法对温度进行聚类，最后由聚类结果对图像进行自适应增强。通过对红外灰度图像进行实验，得到了满意的结果: 对比直方图均衡，具有更丰富的图像细节信息和层次感，视觉效果更好。     

基于改进谱聚类的重叠绿苹果识别方法

水果的可见光谱目标识别是实现农业自动化采摘至关重要的一步。在水果识别的过程中,由于重叠和遮挡的影响使得目标识别困难,识别率不高。本文针对自然环境中果实重叠的识别问题,利用谱聚类算法对图像进行分割,然后使用随机霍夫变换实现果实的识别和定位。针对传统算法运算复杂度高,运算速度慢的问题,本文提出了基于均值漂移和稀疏矩阵原理的改进谱聚类算法。首先使用均值漂移算法对图像进行预分割,均值漂移是一种用于密度梯度的无参估计法。该算法实质是一种迭代,先计算出偏移量,根据偏移量移动点,如此反复,直到偏移量为零即收敛到一点为止。利用均值漂移算法除去大多数的背景像素,为减少谱聚类算法的计算量做准备。然后提取预分割图像的有用信息即图像中像素对之间相似度的描述,将提取的图像特征信息映射到稀疏矩阵中,并使用K-means算法将其分类。得到最终的分类结果,实现对预处理图像的再次分割。然后恢复图像分割区域的颜色,使用彩色向量梯度提取边缘轮廓,对得到的轮廓图像使用随机霍夫变换,并在检测过程中设置半径参数的范围从而进一步加快算法的运行速度。经过检测可以得到目标的圆心坐标和半径,从而实现重叠绿苹果的识别。降低了谱聚类的数据处理量,提高了算法的运行速度。经过试验分析和算法对比,该算法得到较高的重合度95.41%,较低的误差率4.59%和误检率3.05%。     

基于改进谱聚类的重叠绿苹果识别方法（英文）

水果的可见光谱目标识别是实现农业自动化采摘至关重要的一步。在水果识别的过程中,由于重叠和遮挡的影响使得目标识别困难,识别率不高。本文针对自然环境中果实重叠的识别问题,利用谱聚类算法对图像进行分割,然后使用随机霍夫变换实现果实的识别和定位。针对传统算法运算复杂度高,运算速度慢的问题,本文提出了基于均值漂移和稀疏矩阵原理的改进谱聚类算法。首先使用均值漂移算法对图像进行预分割,均值漂移是一种用于密度梯度的无参估计法。该算法实质是一种迭代,先计算出偏移量,根据偏移量移动点,如此反复,直到偏移量为零即收敛到一点为止。利用均值漂移算法除去大多数的背景像素,为减少谱聚类算法的计算量做准备。然后提取预分割图像的有用信息即图像中像素对之间相似度的描述,将提取的图像特征信息映射到稀疏矩阵中,并使用K-means算法将其分类。得到最终的分类结果,实现对预处理图像的再次分割。然后恢复图像分割区域的颜色,使用彩色向量梯度提取边缘轮廓,对得到的轮廓图像使用随机霍夫变换,并在检测过程中设置半径参数的范围从而进一步加快算法的运行速度。经过检测可以得到目标的圆心坐标和半径,从而实现重叠绿苹果的识别。降低了谱聚类的数据处理量,提高了算法的运行速度。经过试验分析和算法对比,该算法得到较高的重合度95.41%,较低的误差率4.59%和误检率3.05%。     

复杂地面背景下的红外目标检测算法

提出一种静态场景下的基于帧差光流的随机采样均值漂移聚类检测算法.该方法首先通过隔帧差分法提取运动目标区域,并对运动区域进行光流计算,采用自适应光流阈值分割法准确提取出运动目标;然后运用连通区域标记算法对运动区域进行初步划分,得到若干个连通域子集特征向量样本点,通过提出的随机采样策略来确定对子集空间中样本点的抽样次数;最后利用均值漂移算法对每个子集中的样本点进行若干次抽样计算并分析聚类收敛结果是否相同,从而完成对连通域标记结果的检验.该策略通过减少对标记结果所有样本点的采样次数,提高了目标的检测速度和精度,在不同红外测试场景中的实验结果表明:与传统红外多目标检测算法相比,该方法具有良好的局部抗遮挡性、准确性和实时性,并且检测率能达到95.27%,每帧处理时间达到39.12ms,满足实时处理需求.     

基于快速模糊C均值聚类算法的红外图像分割

 针对模糊C均值(FCM)聚类图像分割需要预先知道类别数及计算量较大的问题,提出了新的快速FCM改进方法。首先,利用边缘信息进行邻域搜索得到种子像素;通过区域生长快速获得区域分割类别数和对应的聚类中心值,并将图像分成确定类别的区域和未确定类别的区域;最后利用所得的聚类中心值和 FCM算法对未确定类别区域进行聚类。实验证明,本文提出的改进方法大大减少了计算量,显著提高了图像分割速度,而且由于聚类考虑了相邻像素点的关系,图像分割结果能够清晰地保留目标轮廓,提高了图像分割的质量。     

基于免疫模板聚类的模糊中波红外图像目标提取

借鉴生物先天性免疫与适应性免疫的协调作用机制,综合考虑中波红外图像的光谱成像机理和频域模板统计特征,提出一种免疫模板聚类目标提取算法。借鉴先天性免疫对抗原表面分子模式的识别作用,以最大类间方差,将模糊中波红外图像初分割为目标像素集、背景像素集和模糊像素集;借鉴先天性免疫的特征提呈作用,提取中波红外图像模糊像素的频域模板特征,将图像的像素灰度特征空间映射为频域模板特征空间;基于提呈得到的模板特征,对模糊像素集进行适应性免疫聚类,将模糊像素划分为目标像素或背景像素。用手部痕迹的模糊中波红外图像进行实验,并与经典边缘检测模板法和传统区域模板法进行了效果比较和定量评价,结果表明免疫模板聚类算法的目标提取率、与参考标准的重合度、绝对误差率均优于现有模板方法,能够有效实现模糊中波红外图像的目标提取。     

结合稀疏编码和空间约束的红外图像聚类分割研究

提出了结合稀疏编码和空间约束的红外图像聚类分割新算法, 在稀疏编码的基础上融合聚类算法, 扩展了传统的基于K-means聚类的图像分割方法. 结合稀疏编码的聚类分割算法能有效融合图像的局部信息, 便于利用像素之间的内在相关性, 但是对于分割会出现过分割和像素难以归类的问题.为此, 在字典的学习过程中, 将原子的聚类算法引入其中, 有助于缩减字典中原子所属类别的数目, 防止出现过分割; 考虑到像素及其邻域像素具有类别属性一致性的特点, 引入了空间类别属性约束信息, 并给出了一种交替优化算法. 联合学习字典、稀疏系数、聚类中心和隶属度, 将稀疏编码系数同原子对聚类中心的隶属程度相结合, 构造像素归属度来判断像素所属的类别. 实验结果表明, 该方法能够有效提高红外图像重要区域的分割效果, 具有较好的鲁棒性. 关键词： 图像分割 稀疏编码 聚类 空间约束     

基于改进K均值聚类的机械故障智能检测

针对传统的K均值聚类算法在机械故障检测的过程中,由于对于K值的选择具有较强的主观性,最后极易得到局部最优解,而非全局最优解,降低了机械故障检测的准确性。提出一种改进K均值聚类的机械故障智能检测方法。将K均值聚类算法与粒子群算法相结合,在迭代处理的过程中,结合K均值进行优化,即将粒子群算法中的子代个体利用K均值聚类进行运算获取局部最优解,并使用这些个体继续参与迭代处理,这样能够提高算法的收敛速度,避免陷入局部最优解,获得准确的机械故障信号特征。实验结果表明,利用K均值倾斜特征提取的机械故障智能检测算法进行机械故障检测,能够有效提高故障检测的准确性,取得了令人满意的效果。     

茶叶傅里叶红外光谱的可能模糊K调和均值聚类分析

茶叶的品种不同,其有机化学成分含量往往不同,其功效也是不尽相同的,因此,研究出一种简单、高效、识别率高的茶叶品种鉴别技术方法是十分有必要的。中红外光谱技术是一种快速检测技术,在用中红外光谱仪采集得到的茶叶中红外光谱中含有噪声信号。为了对含噪声茶叶中红外光谱的准确分类以实现茶叶品种分类,将可能模糊C-均值聚类(PFCM)思想应用到K调和均值(KHM)聚类,设计出一种可能模糊K调和均值(PFKHM)聚类算法,计算出PFKHM的模糊隶属度、典型值和聚类中心。可能模糊K调和均值聚类能有效解决K调和均值聚类的噪声敏感性问题。用傅里叶红外光谱分析仪(FTIR-7600型)分别对三种茶叶(优质乐山竹叶青、劣质乐山竹叶青和峨眉山毛峰)进行扫描以获取它们的傅里叶中红外光谱。光谱波数区间是4 001.569～401.121 1 cm-1。先采用主成分分析法(PCA)将光谱数据压缩到20维,再采用线性判别分析(LDA)将光谱数据压缩到两维并提取鉴别特征信息。最后分别用K调和均值聚类和可能模糊K调和均值聚类实现茶叶品种分类。实验结果：当权重指数m=2,q=2和p=2时,KHM具有91.67%的聚类准确率,PFKHM聚类准确率达到94.44%;KHM迭代12次达到收敛,而PFKHM迭代11次就可以达到收敛。采用傅里叶红外光谱技术检测茶叶,用主成分分析和线性判别分析压缩光谱数据,再用可能模糊K调和均值聚类进行品种分类可快速、准确地实现茶叶品种的鉴别。     

海天复杂背景下红外目标的检测跟踪算法

在分析海天复杂背景下红外目标图像特征的基础上,提出适合该环境的红外目标检测算法.该算法采用行均值相减的方法抑制海平面非线性温度场的影响,并进行中值滤波处理.对于更加复杂的环境,选用数学形态滤波法抑制背景中的大面积云团或海浪,从而确定出目标区域来进行目标图像的分割及增强.同时,综合使用图像捕获区域指定、运动目标检测法、弱目标的增强提取、记忆外推功能、数据融合加权跟踪方法,来保证在海天复杂背景下红外目标的可靠跟踪.实验表明,该算法能较好地处理海天复杂背景下红外目标的检测,且算法易于硬件实现,提高目标检测的实时效率.     

基于K-means聚类和SPIHT编码的红外图像压缩算法研究

提出了基于K-means聚类和SPIHT编码的红外图像压缩算法。通过采用小波域系数的SPIHT编码压缩,克服了JPEG标准压缩算法在低比特率下严重的方块效应;通过K-means聚类算法,克服了嵌入式零树编码算法（EZW）没有充分考虑到图像小波系数同一子带中相邻元素之间相关性的缺陷。实验结果表明,此算法对红外图像具有很好的边缘和纹理保持性能。     

基于图像分割和局部亮度调整的微光图像颜色传递算法

为提高微光夜视图像质量,提出一种基于图像分割和局部亮度调整的颜色传递算法。用简单线性迭代聚类结合K均值聚类对微光图像进行分割,在YCbCr颜色空间中利用子区域与参考图像每一个像素点上亮度的一致性,将匹配参考图像的颜色分量传递到目标图像的子区域,以目标图像纹理特征中对比度的值作为系数,调整目标图像子区域的亮度值,进行颜色空间转换并显示颜色传递结果。搭建了微光图像成像系统,进行了微光图像分割及完成了微光图像的颜色传递。结果表明,改进的分割算法将图像中不同的景物分割出来,得到的彩色微光图像的峰值信噪均值达到12.048 dB,比Welsh算法平均提高2.63 dB。     

Magnetic-resonance image segmentation based on improved variable weight multi-resolution Markov random field in undecimated complex wavelet domain

To solve the problem that the magnetic resonance (MR) image has weak boundaries, large amount of information, and low signal-to-noise ratio, we propose an image segmentation method based on the multi-resolution Markov random field (MRMRF) model. The algorithm uses undecimated dual-tree complex wavelet transformation to transform the image into multiple scales. The transformed low-frequency scale histogram is used to improve the initial clustering center of the K-means algorithm, and then other cluster centers are selected according to the maximum distance rule to obtain the coarse-scale segmentation. The results are then segmented by the improved MRMRF model. In order to solve the problem of fuzzy edge segmentation caused by the gray level inhomogeneity of MR image segmentation under the MRMRF model, it is proposed to introduce variable weight parameters in the segmentation process of each scale. Furthermore, the final segmentation results are optimized. We name this algorithm the variable-weight multi-resolution Markov random field (VWMRMRF). The simulation and clinical MR image segmentation verification show that the VWMRMRF algorithm has high segmentation accuracy and robustness, and can accurately and stably achieve low signal-to-noise ratio, weak boundary MR image segmentation.     

一种基于特征提取的相关跟踪算法

介绍了一种能稳定快速跟踪复杂背景下目标的算法,该算法在传统相关跟踪算法的基础上进行改进.当目标进入红外(电视)摄像机视场时,视频信号中包含有目标信息和背景信息,信号处理器先将此信号进行数字化处理,形成具有一定灰度等级的数字化图像阵列,然后采用边缘检测、阈值分割等算法对包含有目标信息的图像进行边缘处理,提取出具有特征的目...     

基于视觉认知的红外目标分割算法

研究了红外图像中目标分割算法,针对基于灰度分割算法存在的过分割或分割不足,以及对低灰度目标的不敏感问题,提出了一种基于视觉认知的红外目标分割算法。将红外图像的灰度信息转换为图像方差信息;运用单边切比雪夫不等式理论,获取目标数据分布与其k倍标准差之间的非线性关系,完成目标边缘的预分割;由形态学填充运算,得到用于目标分割的二值掩膜图像。实验表明,该算法能够有效的分割出红外图像中处于不同灰度等级下的目标信息,且误分率较低。     

基于形态学的复杂背景目标检测算法的研究

复杂背景下目标检测存在诸多困难,主要为背景对目标检测的干扰,大量噪声存在导致传统导数边缘检测方法的失效等。针对上述两点,提出了分割区域图像、利用形态学方法检测目标的新算法。首先利用目标与背景灰度差异性来确定目标的大致区域,将其分割出来,然后再结合多结构元素法进行目标的精确检测。通过与原图像分割、聚类算法分割实验比较,该算法具有较好的抗干扰性和抗噪性能。     

基于切比雪夫多项式描述子的复杂背景下输电线路提取算法

在电力系统中,利用计算机视觉和图像处理技术对输电线路的进行检测,在保障电力系统的安全运行方面具有非常重要的作用；针对复杂背景下的输电线路,提出了一种基于切比雪夫多项式描述子输电线路提取算法,该算法首先对输入图像进行预处理,其次利用随机Hough 变换提取图像中的直线和曲线,然后利用切比雪夫多项式描述子的曲线描述优势,对所提取的对象进行特征描述,为了提高提取的精确度,通过K-means聚类分析方法来训练视觉字典,通过视觉字典的比对,最终确定图像中的输电线路；实验结果说明了所提出的算法可以精确地提取复杂背景下的输电线路。