基于最小平均距离免疫算法的模糊红外图像分割（英文）

由于犯罪分子利用各种方法来避开传统的刑侦图像技术,因而红外图像逐渐成为获取犯罪现场痕迹的有效手段。然而,从犯罪现场拍摄的红外图像其目标痕迹大多是弱化的,所以在这类红外图像中分割目标是一项具有挑战性的任务。已有基于生物免疫的各类算法尚未明确描述免疫分割作用领域,以及免疫网络算法模型中的免疫识别距离。为实现对目标痕迹弱化红外图像的有效分割,提出了一种新的具有免疫作用领域和最小平均免疫识别距离的人工免疫构架,设计了一种具备最小平均距离免疫域的免疫分割算法。该方法根据红外图像的特点,采用多步分类算法、免疫变异和自适应免疫最小均距识别方法,根据目标区域和背景区域的总体统计特性实现最佳分类。实验结果表明,提出的基于最小平均距离的免疫算法能够有效地分割目标弱化的红外图像。与经典的边缘模板和区域模板方法相比,该算法具有更好的分割效果,尤其是针对目标弱化红外图像的分割,该算法能够较好地给出五个手指的边界轮廓。     

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。     

基于复杂度的自适应门限弱小目标检测方法

针对红外弱小目标检测问题,提出了一种基于图像复杂度的自适应门限目标检测方法.讨论了天空中四类不同区域的图像信息熵.图像信息熵虽然较好地表达了图像的平均信息量,但对图像的突变点不敏感.将它改进得到图像方差加权信息熵,其较好地反映了图像的复杂度特征.将图像方差加权信息熵作为图像复杂度的定量描述,用两种特定的分析模板对图像复杂度进行分析.在目标区域中,两种分析模板得到的复杂度差异较大,而非目标区域的两种复杂度则基本没有差异.算法获取两种分析模板下的复杂度图像,再对两种复杂度图像做差,得到复杂度差值图像.对差值图像建立指数模型得到自适应分割门限完成目标检测.实验结果表明,该方法对低信杂比的红外云层背景弱小目标图像具有良好的检测效果.     

基于复杂度的自适应门限弱小目标检测方法

针对红外弱小目标检测问题,提出了一种基于图像复杂度的自适应门限目标检测方法.讨论了天空中四类不同区域的图像信息熵.图像信息熵虽然较好地表达了图像的平均信息量,但对图像的突变点不敏感.将它改进得到图像方差加权信息熵,其较好地反映了图像的复杂度特征.将图像方差加权信息熵作为图像复杂度的定量描述,用两种特定的分析模板对图像复杂度进行分析.在目标区域中,两种分析模板得到的复杂度差异较大,而非目标区域的两种复杂度则基本没有差异.算法获取两种分析模板下的复杂度图像,再对两种复杂度图像做差,得到复杂度差值图像.对差值图像建立指数模型得到自适应分割门限完成目标检测.实验结果表明,该方法对低信杂比的红外云层背景弱小目标图像具有良好的检测效果.     

一种红外成像制导中的图像分割算法

红外成像制导导弹的图像分割是图像处理中的重点和难点之一。针对飞机目标红外图像的特点,提出了一种有利于目标特征点识别的图像分割算法。它首先采用区域填充的方法对图像进行分割,然后在此基础之上利用形态学原理对分割过程中产生的"洞"区域进行填充,最后得到比较精确的分割图像。对于实现红外成像制导导弹的稳定跟踪具有一定的应用价值。     

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。     

基于投影的X光图像分割区域数量判定

为了在随身行李X光图像中自动地检测和识别低亮度的危险物品,首先需要将原始图像进行分割,以得到各个目标的区域.分割图像既不能过分割,也不能欠分割.本文提出了一种基于投影的X光图像分割区域数量判定方法,通过比较分割图像序列在水平和垂直方向投影的相关程度的变化,确定最佳的图像分割区域数量.和基于统计有效指数的方法相比,该方法综合考虑了图像的统计信息和空间分布信息,不仅所得到的最优分割图像中包含足够的目标信息,便于后续的目标检测和识别,而且算法具有较小的计算量.     

基于神经免疫生长可免域网络的红外光谱图像分割算法

管道运输对远距离输送石油天然气有着较大优势,而与之伴随的管道安全问题使得管道安全检测至关重要。为确保任何时间下管道状况的有效检测,红外成像技术由于其根据对象的热辐射信息反映目标特征的特殊性,能够忽视可见光的影响检测管道状态,因而在管道检测领域有重要意义。但由于户外环境的多样性,交错的管道和复杂环境使得采集的红外管道图像具有目标特征分布不均匀,目标遮挡和背景类目标干扰等问题。这些问题增加了提取管道目标的难度,不利于管道的分割和检测。生物免疫系统在抗原检测、提取和消除上表现出识别、学习、记忆、耐受和协调配合等目前复杂系统优化策略所缺乏的优异特性,借鉴生物神经系统调控免疫系统的机理,设计一种基于神经免疫网络的复杂背景下红外管道目标的检测与提取算法。根据生物神经网络在免疫系统中的调控机制,利用基础管道形状特征模型构建用于红外管道目标定位的神经网络,并将最优神经免疫可免域和区域种子生长结合,解决管道遮挡影响提取目标完整性的问题。选择三种典型的红外管道图像,将传统目标检测算法与基于神经免疫网络的算法进行了效果对比分析。结果表明,传统算法的平均真阳性率为40.56%,Jaccard相似性指数为27.18%,绝对误差率为11.75%,而基于神经免疫网络算法的真阳性率为98.05%,Jaccard相似性指数为94.44%,绝对误差率为1.18%。对比可知,神经免疫网络算法的真阳性率比传统方法高57.49%,绝对误差率则低10.57%,验证了复杂背景下,本文算法相比传统方法能够更加准确地提取完整的红外管道目标,这对管道安全检测效率的提高有着重要意义。     

基于形态学水线区域的深度图像分割

深度图像分割是基于特征关系图匹配的曲面物体识别中的关键技术之一,针对已有深度图像分割方法存在的问题,提出了一种基于二值形态学的水线区域增长算法对深度图像进行分割。首先用结构元素迭代腐蚀深度图像形成距离图像;然后根据距离图像计算极限腐蚀的集合,提取出目标的种子点;最后用条件粗化从种子点开始生长回到原尺寸但不使各区域相连,完成深度图像的分割。实验证明,算法的分割结果与人的主观视觉感知具有良好的一致性。     

基于中值的平方距离对称共生矩阵阈值化方法

对灰度概率分布呈现偏斜和重尾的一类图像的阈值选取问题进行了研究.鉴于应用均值方法进行分类估计出现偏差的问题,本文应用中值方法进行修改,使图像阈值的选取更加合理.基于平方距离的对称共生矩阵阈值方法,在对称共生矩阵上定义了区域中值,提出了基于中值进行分类统计的平方距离对称共生矩阵阈值法,并给出了多阈值分割计算式.与Otsu′s法、基于平方距离法的分割比较表明:本文提出的方法不仅对于分类概率呈现偏斜和重尾的情况分割效果突出,而且由于考虑了图像的空间信息,与基于中值的Otsu′s法相比,所提取的目标信息更加完整,边缘更加清晰;对于小目标类的图像,该方法也具有良好的阈值选取效果.为进一步说明该方法的正确性和有效性,基于标准分割图像进行了误分类误差计算,结果表明所提出的方法误差值能够达到最小.     

Target extraction from blurred trace infrared images with a superstring galaxy template algorithm

Accurate and efficient targets extraction from blurred trace infrared images has very important meaning for latent trace evidence collection in crime scene. Based on the superstring theory, a superstring galaxy template extraction algorithm for infrared trace target is presented. First, all of the pixels are divided into three classes: target pixels, background pixels and blurred pixels. Next, the superstring template characteristics for every pixel in a blurred infrared image are calculated as the features of each pixel. Finally, a galaxy covering algorithm is proposed, target pixels and background pixels are used for training the galaxy covering domain of every galaxy classifiers, and these classifiers will divide each blurred pixel into two classes: a target pixel or a background pixel. Experimental results indicate that the superstring galaxy template algorithm can improve the target extraction rate and reduce the extraction error rate.     

Target extraction of banded blurred infrared images by immune dynamical algorithm with two-dimensional minimum distance immune field

Banded blurred Infrared image segmentation is a challenging topic since banded blurred infrared images are characterized by high noise, low contrast, and weak edges. Based on the interconnected and networked collaborative mechanism between innate immune factors and adaptive immune factors, this paper presents an immune dynamical algorithm with two-dimensional minimum distance immune field to solve this puzzle. Firstly, using the original characteristics as antigen surface molecular patterns, innate immune factors in the first layer of immune dynamical network extract banded blurred regions from the whole banded blurred infrared image region. Secondly, innate immune factors in the second layer of immune dynamical network extract new characteristics to design the complex of major histocompatibility complex (MHC) and antigen peptide. Lastly, adaptive immune factors in the last layer will extract object and background antigens from all the banded blurred image antigens, and design the optimal immune field of every adaptive immune factors. Experimental results on hand trace infrared images verified that the proposed algorithm could efficiently extract targets from images, and produce better extraction accuracy.     

基于红外图像的GVF Snake轮廓提取算法的研究

针对红外图像目标具有边界模糊不清,区分效果较差的缺点,结合Ostu阈值法和梯度矢量流主动轮廓模型（GVF Snake）,提出一种目标轮廓自动提取方法。采用Ostu法先对图像进行分割,然后将得到的边界作为Snake模型的初始边缘轮廓,利用 GVF Snake特性将初始轮廓准确地收敛到目标边界。由于Ostu算法具有将目标物体从复杂背景中分割开来的优点,使得在应用 GVF Snake模型对复杂图像进行分割时减少了人工的干预。实验证明：该方法运算速度快,能够快速地收敛到目标轮廓,并准确地跟踪目标,具有一定的抗噪能力。     

基于热红外图像处理技术的农作物冠层识别方法研究

为解决农作物冠层热红外图像边缘灰度级分布不均且噪声较大,而传统图像分割方法难以实现其目标区域有效识别的难题,以苗期红小豆冠层热红外图像为研究对象,将模糊神经网络和仿射变换有机结合,提出了基于热红外图像处理技术的农作物冠层识别模型。首先利用五层线性归一化模糊神经网络的自适应特性,选取高斯隶属度函数,自动计算冠层可见光图像识别的推理规则,有效地分割了可见光图像中的冠层区域。通过分析3种分割指标和熵,定量评价可见光图像冠层分割质量。网络迭代38次时,误差精度为0.000 952,该算法平均有效识别率为96.13%,获取可见光冠层图像的像元信息熵值范围为2.454 4~5.198 7,与标准算法所得冠层图像的像元信息熵仅相差0.245 9。然后以取得可见光图像的冠层有效区域为参考图像,采用仿射变换算法,调整优选平移、旋转、缩放等图像变换因子,配准原始热红外图像,提出了基于仿射变换的冠层热红外图像识别方法。对于初始温度范围值在16.35~19.92 ℃的农作物热红外图像,计算选取旋转幅度为1.0和缩放因子为0.9时,作为异源图像的最优配准参数,获取目标图像的最大温差为3.17 ℃,相对于原图像的平均温度值由18.711 ℃下降至17.790 ℃,进而实现了基于热红外图像处理技术的农作物冠层识别。最后以熵的互信息作为监督指标,对农作物冠层热红外图像识别方法进行评价。提出的冠层热红外图像识别方法,所获取的目标图像与初始热红外图像的平均互信息为4.368 7,标准目标图像和初始热红外图像的平均互信息为3.981 8,二者仅相差0.486 9。同时,两种冠层热红外图像的平均温度差值为0.25 ℃,高效消除了原始热红外图像的背景噪声。结果表明本研究方法的有效性和实用性,能够为应用热红外图像反映农作物生理生态信息特征指标参数提供技术借鉴。     

Aircraft recognition based on improved iterative threshold selection and skeleton Zernike moment

Using the visible optics images to identify targets is an important part in the development of remote sensing technology. In this paper, a new aircraft recognition method based on the improved iterative threshold selection and the skeleton Zernike moment is presented. The method segment aircraft targets under complex background using iterative threshold selection with between-class distance and scatter, and calculate the skeleton Zernike moment for the aircraft target recognition using template matching method. The experimental results show that the new method can effectively achieve the target segmentation under complex backgrounds, and provide a satisfactory performance both in recognition rate and recognition speed.     

一种改进的红外图像归一化互相关匹配算法

分析了传统归一化互相关算法在红外空中目标匹配定位时失效的原因,提出一种改进的红外图像归一化互相关匹配算法.该方法将模板和匹配区域之间的纹理相关计算看作一个最优化问题,寻求使图像纹理相关匹配鲁棒性最好的相关基准值,用图像的相关基准函数替代传统方法中的区域均值部分,构造了一种适用于的红外目标匹配的归一化相关算法.实验结果表明,该相关匹配算法对模板中背景部分的变化和非均匀性亮度变化有良好的抗干扰能力,较好地解决了恶劣环境下红外对空目标跟踪中匹配定位出错的问题.     

基于核优化密度聚类的绿色苹果分割算法

苹果的可见光谱目标的高效、精准识别是实现果园测产或机器自动采摘作业的关键,由于绿色目标果实与枝叶背景颜色较为相近,因此绿色苹果的识别成为新的挑战。再由于果园实际复杂环境因素影响,如光照、阴雨、枝叶遮挡、目标重叠等情况,现有的目标果实识别方案难以满足测产或自动采摘的实时、精准作业需求。为更好地实现果园自然环境中绿色目标果实识别问题,提出一种新的核密度估计优化的聚类分割算法（kernel density clustering, KDC）。新算法首先利用简单的迭代聚类（simple linear iterative cluster, SLIC）算法将目标图像分割成不规则块,集结小区域内近似像素点组成超像素区域,计算单元由像素点转变为超像素区域,有效降低数据复杂度,且SLIC算法简化图像数据时可有效避免目标果实轮廓模糊;基于超像素构造R-B区域均值和G-B区域均值的二维特征分量,建立针对聚类分析的青苹果颜色特征空间。然后借助密度峰值聚类中心计算绿色苹果图像每个数据点的局部密度和局部差异度,为解决分割边界模糊问题,在计算过程中利用核密度估计计算局部密度,确保局部密度在不同复杂场景中的清晰准确表达,以更精准找出被低密度区域分割的高密度区域,实现任意形状的聚类。最后以局部密度和距离构造寻找聚类中心的决策图,该研究采用双排序算法实现聚类中心的自动选择,完成目标果实的高效分割。新算法通过SLIC算法获得图像的超像素区域表示,数据点的局部密度通过核密度估计得到,大幅降低算法的计算量,实现目标图像的高效、精准分割。为更好地验证新算法性能,实验采集多光照、阴雨等环境下的遮挡、重叠等复杂目标图像,以分割效率、分割有效性、假阳性、假阴性等指标进行评价,通过对比k-means聚类算法、meanshift聚类算法、FCM算法和DPCA算法,该研究提出的新算法分割性能均最优。     

基于PDE的前视红外成像舰船目标检测

针对复杂环境下的海面目标提取问题,提出一种基于偏微分方程（PDE）的红外舰船检测算法。首先采用基于PDE理论的滤波模型对初始图像滤噪并进行背景估计,然后结合邻域差分进行背景抑制后分割提取目标。实验表明,该算法能够有效检测强杂波背景中的目标,方法适应性强。     

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。