基于目标检测和区域生长的断层图像自动分割

为了实现对序列断层图像的自动分割,提出了基于目标检测和区域生长的自动分割方法.基于待分割目标在相邻层上的相关图和相关度的定义,相关图用于表达目标在相邻断层之间的延续关系.采用目标检测算法计算出当前层上已分割图像和相关图中目标的形状参数,包括目标质心和最小外包矩形等,根据相关度为在相邻层上应用区域生长算法提供有效种子点.实验结果表明,该方法能达到序列断层图像自动分割的目的,而且其效率比基于体素的三维区域生长分割方法提高了近50%.     

基于面形态学的靶场红外小目标检测方法

针对靶场红外测量图像处理中的弱小目标检测问题,提出一种基于面形态学的目标检测算法：利用面形态学层析原理,首先采用多阈值对图像二值化;其次在每一幅二值化图像内对连通域滤波,按最小面积准则去除连通域;最后通过累加重构二值化图像,计算目标质心,获得检测结果。试验结果表明,该方法在单帧情况下,可检测低信噪比的较大动态范围红外目标。     

基于灰度级连通性的FLIR图像的目标检测方法

通过对灰度级连通性及其算法的分析,文中给出目标k级成分区域提取算法,并针对前视红外(FLIR)图像序列提出一种目标检测的新方法。这种方法分为帧内和帧间处理:帧内处理利用目标k级成分区域提取算法实现单帧目标检测,帧间处理利用目标时间连通性实现序列图像间的目标关联和目标检测。仿真结果表明:在噪声和杂波干扰下,所提出的方法对红外图像序列弱小目标检测是有效和稳健的。     

基于边缘检测终止条件的区域生长算法

提出了一种边缘检测和区域生长分割算法相结合的病灶区域提取的新方法.通过最大最小曲线流保留边缘算法对图像进行平滑去噪,利用区域生长算法对图像进行分割.采用Canny算子做为分割的终止条件.实验证明,该方法能够精确的提取出病灶区域.     

基于双通道DPCA技术的前视SAR微动目标检测

针对将DPCA技术应用于前视SAR微动目标检测领域,首先分析了传统双通道SAR的DPCA对消原理,然后根据前视SAR的特性,提出基于天线收发同置的前视SAR双通道DPCA模式,研究前视微动目标回波经过DPCA对消后的信号幅相特性,确定微动目标所在的距离域,最后在MATLAB中对检测方法进行了仿真,仿真结果表明,当回波信噪比大于-5dB时,微动目标检测概率达到95%.     

基于δ-LBP的红外目标检测方法

研究红外序列图像中目标检测方法,在对传统方法分析的基础上,提出了以LBP算法为基础的δ-LBP算法.该算法充分利用了LBP算子的平移不变性和旋转不变性,能在复杂的背景中快速检测到目标边缘,进而确定和跟踪目标.与几种传统算法比较,此检测方法在准确性和实时性方面都有所提高.     

目标感兴趣区域检测算法

将形态Haar小波与数学形态学方法相结合,用于实现目标感兴趣区域(Region-of-interest,ROI)的检测。将采集图像进行二维形态Haar小波分解,结合目标ROI检测要求的特点,仅在尺度信号域内应用设计的目标ROI检测算子,最终完成目标ROI的检测。仿真实验结果表明,该方法能以较低的虚警率和较高的检测率完成目标ROI检测,且运算简单,大大节省了运算时间和硬件资源,降低了系统设计成本。     

一种基于局部特性的红外弱小目标检测方法

针对红外图像弱小目标检测程序复杂和虚警率高的问题,提出了一种基于局部特性检测红外弱小目标的方法.该方法主要根据待检测像素点局部灰度比、局部灰度差、局部能量比以及局部能量差值的大小进行目标检测,避免了传统方法需对红外图像进行背景预测、图像增强等处理,有效地改善了低信噪比下红外图像小目标的检测性能.通过仿真实验对该方法与2种传统方法进行了测试和对比,证明了该方法的有效性和优越性.     

基于区域对比的图像显著目标检测

针对具有杂乱背景图像的显著目标检测问题,提出了一种无需任何先验知识,通过分析计算区域平均显著值的对比度来提取显著目标的方法.根据显著图,计算出显著目标的最小边界框与其周围区域的显著性差异,且通过折半查找的方法加快搜索的收敛速度.结果表明,该算法能迅速检测出与人类视觉感知结果一致性较高的显著目标区域.     

一种动态目标检测与跟踪的方法研究

对于远距离、小目标的判读其传统方法通常是采用胶片或录像带记录图像,然后人工标定和判读.本文针对靶场中靶标检测存在的问题,提出了给予图像处理技术的靶标检测方法.首先介绍了静态靶标检测方法,然后提出了动态靶标的跟踪策略.测试结果表明,本文提出的方法和策略,可以满足靶场靶标检测和定位的实际需要.     

基于区域边界生长的图像分割方法

针对浮选泡沫图像气泡粘连、边界模糊等难以分割的特点,结合区域生长和边检测技术,提出一种基于种子区域边界生长的图像分割方法。首先按照图像特征提取种子区域及其边缘,并制定区域边界生长条件,同时按照图像特征制定了泡沫目标的边界规则库,作为区域边界继续生长的判断条件,即是否到达泡沫边界。此方法不以整幅图像为分割单元,而是以每个气泡对象作为处理单元对浮选图像继续分割,图像中气泡分割的结果更加准确。     

基于形态学方法的红外小目标检测

为了降低复杂背景下红外小目标检测的虚警率,在分析目标特性的基础上,给出了一种高提升滤波与形态学Top-hat算子相结合的检测方法.该方法首先对红外图像进行高提升滤波,提高图像对比度;通过Top-hat变换滤除背景,利用伽马变换提高信噪比（SNR）,经阈值分割检测出可能的目标,然后通过对序列图像的处理最终确定目标,并形成稳定航迹.仿真结果表明：与单一的Top-hat变换相比,该方法能够更准确检测出信噪比不小于2的目标,且虚警率低.     

基于区域显著性与稳定性的小目标检测方法

为解决彩色图像小目标检测中目标易丢失与虚警率高的问题,提出了一种基于区域显著性和稳定性标准增强的小目标检测方法（ RSSEM ）。首先,在区域稳定性特征提取阶段,针对滤波导致的边缘信息缺失问题,填充图像边界并采用多级阈值二值化图像,在聚类准则下二值图像进行区域聚类和二次后验,使本文方法对小目标有较高敏感度。其次,在区域显著性特征提取阶段,利用旋转对称高斯高通滤波对灰度图像进行滤波得到显著性特征图像。最后,融合稳定性特征与显著性特征,并对强噪声滤波后实现小目标检测。在RSS数据集上,与对照组相比,本文方法能显著降低小目标的丢失率和虚警率,比最先进的算法在精确度、召回率、F值上至少提高1%,表明RSSEM的有效性。     

缩微智能车目标检测系统的设计与仿真

为实现对车辆前方目标检测,提出并模拟了一种对缩微智能车前方目标进行检测的方案。在交通沙盘中,搭载ARM9开发板的缩微智能车,通过多种传感器数据融合采集缩微智能车的前方目标信息,然后再对数据进行集中处理。处理过程包括对视觉数据进行行人识别、对雷达数据进行目标状态分析,以及对通信数据进行分包,最后将数据包发送到监控平台完成前方运动目标信息的实时显示。仿真结果表明：该系统实现了对缩微智能车前方目标信息的实时采集,其采集精度和系统稳定性优于传统的目标运动信息采集系统。     

一种基于边界和区域的MRI脑图像分割方法

应用一种基于多分辨率边缘检测、区域选择和取灰度阈值相结合的方法实现了MR I(磁共振成像)脑图像的分割,得到了脑白质(WM)、脑灰质(GM)和脑脊液(CSF)的组织结构.并且针对该方法对模糊、不均匀的MR I脑图像分割时可能出现的问题进行了分析,提出采用动态阈值法对其进行改进,实验结果表明改进方法对模糊和不均匀图像,能得到较好的分割结果.     

基于双差分法的目标检测与分析

用双差分法检测静止背景下运动目标的轮廓，并利用矩方法研究了运动目标的几何特征，利用目标的质心估计目标的运动信息．给出了实验结果及分析．