一种改进的自然图像分割方法*

提出了一种改进的Mean Shift自然图像分割方法。首先从数据分析的角度出发,由数据本身估计用于聚类的颜色带宽。然后根据上层的视觉任务调整颜色带宽,调整后的颜色带宽可以看作是分割分辨率。根据调整后的颜色带宽,估计每个像素的密度值,并采用直接搜索的方法搜索局部密度极大值点。在局部模式检测之后。通过一个全局标准控制的局部模式融合,就可以将图像分割成最终的结果。在不同的光照条件和复杂的背景下,这个全局标准能达到稳定分割结果和控制最终区域数目的目的。     

红外遮挡人体目标模板图像的Mean Shift分割算法

提出了一种红外图像中遮挡人体目标的分割方法。首先通过传统的阈值选取方法或直方图聚类等红外图像分割的方法,获取遮挡区域目标的二值化模板。用目标像素在模板中的相对行列坐标作为特征集使用Mean Shift算法分别计算各像素在行列方向的收敛位置并使用复数向量进行联合表达,再次以所有的复数向量作为特征集进行Mean Shift聚类,根据各像素位置对应的复数向量所属类别对其进行划分,完成遮挡目标的分割。与分水岭算法相比,该算法的分割结果完整保留了目标模板的外形,并且可以通过Mean Shift 带宽参数的选择完成不同精细程度的分割。     

自动门限技术在靶纸图像目标分割中的应用

在图像自动报靶系统中，需要自动快速地进行靶纸图像中目标区域的分割，选取合适的自动门限分割方法是其关键。文中在分析靶纸图像特点的基础上，对目前两种性能较优的自动门限技术：类别方差自动门限法和矩不变自动门限法进行了介绍，并对两者的获取最佳门限值进行了比较。试验结果表明，类别方差自动门限法获取的门限值普遍偏大，文中简要分析了其不可避免的原因；而矩不变自动门限法由于根据的是图像自身的特征，获取的最佳门限值比较合适，更适用于靶纸图像中目标分割，且具有运算速度快的优点。     

基于图像分割的目标检测方法对比研究

奶牛行为识别过程中,奶牛目标精准检测是重要前提。一般的奶牛目标检测采用纹理和颜色信息进行识别,对于长时间静止和复杂背景干扰的目标存在目标丢失和检测不精准问题。针对上述问题,文章将图像分割方法和区域面积剔除方法相结合,实现复杂环境下的静止奶牛目标检测。实验结果表明,该方法达到97.4%的识别率。     

基于视觉显著性的非监督图像分割

交互式的图像分割算法需要用户输入先验信息,从而增加了算法的时间复杂度和用户的负担。提出了基于视觉显著性的非监督图像分割算法。该算法首先通过均值漂移算法先对图像进行预处理,将图像过分割成互不重叠的小区域。这些区域采用区域邻接图表示,当两个区域相邻时对应的节点之间存在边。其次,通过计算各个区域的颜色相异性和纹理一致性,得到相邻区域之间的合并概率。再次,根据区域的颜色和空间位置信息,定义每一个区域的显著性指标,选择最大显著性指标对应的区域作为目标种子区域,图像边缘区域中显著性指标最小的区域作为背景种子区域。最后,基于最大相似性合并策略,对与种子区域相邻的且合并概率最大的区域进行合并。实验表明,所提算法 不需要先验信息,且可以得到较好的分割效果;与非监督图像分割算法相比,所提算法可以避免过分割。     

移动机器人目标分割及测距方法研究

对于移动机器人单目视觉避障导航问题,研究了室内环境中多障碍物目标图像分割与目标定位。提出一种将HSI彩色图像空间序列分割与Otsu法选取阈值相结合的图像分割方法,并采用基于亮度均值的幂次变换方法改进亮度空间的对比度,从背景环境中分割提取出多个目标所在区域的像素坐标。基于透视投影原理,应用目标定位的几何方法得到目标的空间坐标。该方法在Pioneer-2移动机器人平台上进行了实验,论证了所提出方法的实用性和有效性。     

图像目标检测识别和跟踪仿真研究

研究图像检测优化问题,在传统的图像目标跟踪中始终选用起始帧作为目标模板,没有根据实际情况实时更新目标模板,容易导致目标跟踪识别错误.针对图像目标识别跟踪缺乏全自动智能跟踪的难点问题,提出了在一定变化条件下运动图像目标的全自动识别跟踪方法.首先,在目标检测中为了提高实时性,采用了一种特殊形式的帧间差分算法对目标进行检测;其次,为有效抑制噪声和增强图像目标,在确定目标模板的过程中加入了图像形态学算法;最后,利用改进的均值漂移算法,根据巴氏系数相对量的变化情况实时更换目标模板,实现对目标全自动跟踪.经过仿真表明,利用改进的图像处理方法实现了在外部干扰条件下目标的自动检测识别和跟踪,并具备对图像目标的全自动跟踪能力,速度较快,为图像目标检测系统的设计提供了依据.     

基于形态滤波和均值漂移红外小目标检测方法

低对比度复杂背景下的小目标检测一直是研究的热点和难点,检测的困难主要在于背景噪声的复杂和目标的微弱.分析和研究了形态膨胀算法均值漂移(Mean Shift)算法:形态膨胀算法对目标进行有效增强,而均值漂移算法改善目标与背景对比度,有利于有效分割目标.最后实现了基于该方法的两种不同情景下的小目标的检测,实验表明该算法具有较好的有效性和鲁棒性.而且,该方法在最终目标选取采用了自适应阈值方法.实验分析表明:算法基本上是定点运算,效率较高,易于实时硬件实现.     

基于均值漂移的自适应纹理图像分割方法

提出了一种基于小波多尺度分析和均值漂移的无监督纹理分割方法.该方法利用均值漂移聚类实现基于小波特征的完全无监督自适应多尺度分割,既不需要进行训练也不需要分割类别数等先验知识.该方法根据一定的策略在尺度间进行信息传递,自适应地为图像不同区域确定合适的分割尺度,即纹理内部区域使用粗尺度特征而不同纹理间的交界处使用较细尺度特征,这样就在保证区域一致性的同时更准确地定位图像边缘.对比实验结果表明,该方法在合成纹理和真实纹理图像中都有较好的性能,其多尺度的分割过程类似于人类视觉系统感知,并且较之有监督的传统分割方法也更具优势.     

基于形态学滤波和分水线算法的目标图像分割

提出了一种基于形态学的目标图像区域划分方法。该方法先利用形态学滤波消除不同尺度的噪声和微小干扰区域对目标图像的影响，再利用改进的分水线算法对目标图像进行区域划分，得到目标图像的基本结构。为了消除传统分水线算法引起的过分割现象，本文还给出了一种新的过分割区域合并算法。该方法能够把复杂的目标图像分割成为一系列反映目标基本结构特征的简单区域．为目标的描述和识别提供了方便。实际图像的处理结果显示这种方法行之有效。     

一种自然图像中的建筑物目标验证方法

提出了一种对自然图像中候选的建筑物目标进行验证的方法。与传统的提取单一图像特征,利用少量先验知识进行验证的方法相比,该方法提取图像的边缘特征和短线段特征,通过建筑物图像中特征和特征分组的观察,将目标验证转化为给定候选目标的条件概率问题。利用贝叶斯理论,将建筑物目标的先验知识表现为一系列先验概率并计算后验概率的值,从而给出了一种新的目标验证方法。利用拍摄的自然图片进行实验表明：与传统的方法相比,该方法的识别性能有了一定程度的提高。     

From Images to Shape Models for Object Detection

We present an object class detection approach which fully integrates the complementary strengths offered by shape matchers. Like an object detector, it can learn class models directly from images, and can localize novel instances in the presence of intra-class variations, clutter, and scale changes. Like a shape matcher, it finds the boundaries of objects, rather than just their bounding-boxes. This is achieved by a novel technique for learning a shape model of an object class given images of example instances. Furthermore, we also integrate Hough-style voting with a non-rigid point matching algorithm to localize the model in cluttered images. As demonstrated by an extensive evaluation, our method can localize object boundaries accurately and does not need segmented examples for training (only bounding-boxes).     

Graph Clustering,Variational Image Segmentation Methods and Hough Transform Scale Detection for Object Measurement in Images

We consider the problem of scale detection in images where a region of interest is present together with a measurement tool (e.g. a ruler). For the segmentation part, we focus on the graph-based method presented in Bertozzi and Flenner (Multiscale Model Simul 10(3):1090–1118, 2012) which reinterprets classical continuous Ginzburg–Landau minimisation models in a totally discrete framework. To overcome the numerical difficulties due to the large size of the images considered, we use matrix completion and splitting techniques. The scale on the measurement tool is detected via a Hough transform-based algorithm. The method is then applied to some measurement tasks arising in real-world applications such as zoology, medicine and archaeology.     

多视点图像的前景对象自动分割方法

为了将前景对象从多视点图像中自动地分割出来,提出一种基于多视点图像特征分析的对象提取方法.首先采用改进的随机Hough变换提取极线平面图中的直线,并对已检测直线的斜率进行统计分析;然后根据对象在场景中所处的深度,将对应斜率的直线转换到原始图像空间中得到初始轮廓;并利用边缘生长方法缩短断开边缘的间距;最后采用边缘连接方法获得闭合的轮廓曲线.实验结果表明,与基于水平集的主动轮廓模型分割方法相比,文中方法能更加快速、精确地将对象从复杂场景中分割出来.     

体育视频中的对象检测与分割

通过对体育视频中语义对象的检测和分割来实现对视频进行语义级检索的第1步。通过对体育比赛视频中的场地信息和运动信息的分析，提出了一种有效分割场地和运动员等对象的算法，并对此算法性能进行了讨论。该算法主要利用Canny算子和数学形态学方法对体育比赛场地进行检测，并利用主色累积直方图进行场地验证，然后利用Hough变换去除场地标志线，最后利用检测出的场地信息实现了场地内运动区域的检测和分割。实验表明该算法有较好的效果。场地和运动员区域的正确分割对比赛的分析和检索具有重要意义。     

面向天文图像的小尺度天体检测

在斯隆数字巡天任务中,受体积较大亮度较高的天体干扰,现阶段的目标检测算法对小尺度天体的检测效果并不理想.针对上述问题,提出一种基于Mask-GAN和YOLOv3的小尺度天体检测方法.方法分为两大步骤:第1步干扰天体屏蔽.首先设计了一个干扰天体Mask构建算法,通过自适应阈值分割和连通域分析提取干扰目标,并提出融合各波段区域特征和排除邻近目标方式构建Mask,避免以往分割方法存在的光晕残留和邻近目标错误分割现象;其次构建GAN模型,结合干扰天体Mask完成屏蔽干扰任务.第2步将处理过的数据输入改进的YOLOv3模型进行小尺度天体检测.引入注意力机制,构建C-EfficientNet作为主干特征提取网络,加强网络的特征提取能力和对目标关注程度;同时扩展4个有效特征层并提出一种提升浅层特征图权重的方式SAt,让网络更好地利用分辨率高细节丰富的浅层特征来检测小尺度天体.实验与分析表明,在SDSS (Sloan digital sky survey)天文数据集上对小尺度恒星和星系的检测平均精度达到了81.16%和77.89%,相比于当前经典算法检测效果更好,有一定的实际应用意义.     

Matching Images to Models for Registration and Object Detection via Clustering

A new technique is presented for matching image features to maps or models. The technique forms all possible pairs of image features and model features which match on the basis of local evidence alone. For each possible pair of matching features the parameters of an RST (rotation, scaling, and translation) transformation are derived. Clustering in the space of all possible RST parameter sets reveals a good global transformation which matches many image features to many model features. Results with a variety of data sets are presented which demonstrate that the technique does not require sophisticated feature detection and is robust with respect to changes of image orientation and content. Examples in both cartography and object detection are given.     

一种名片图像的文字区块分割方法

(Department of Computer Science and Technology, East China Normal University, Shanghai 200062)     

自然图像中目标轮廓上显著边缘检测的计算模型

如何模拟人类视觉感知系统的感知过程,建立一个鲁棒性较好、无监督的自然图像中目标轮廓上显著边缘检测的计算模型是文中要讨论的问题。首先确定自然图像中目标所在的子区域。然后通过分析纹理以及颜色等低级视觉特征得到一组潜在的轮廓边缘,对这些潜在的轮廓边缘进行闭合性分析,建立各条潜在边缘之间闭合关系的图模型。最后通过最短路径找出最优的轮廓上的显著边缘。将该模型用于多幅自然图像,实验效果较好。该模型在生物学上的合理性也得到验证。     

基于空间语义信息特征融合的目标检测与分割

高质量的特征表示可以提高目标检测和其他计算机视觉任务的性能.现代目标检测器诉诸于通用的特征金字塔结构以丰富表示能力,但是他们忽略了对于不同方向的路径应当使用不同的融合操作,以满足其对信息流的不同需求.提出了分离式空间语义融合（separated spatial semantic fusion,SSSF）,它在自上而下的路径中使用通道注意模块（channel attention block,CAB）来传递语义信息,在自下而上的路径中使用具有瓶颈结构的空间注意模块（spatial attention block,SAB）来通过较少的参数和较少的计算量（相比于直接利用不降维的空间注意模块）将精确的位置信号传递到顶层.SSSF十分有效,并且具有很强大的泛化能力：对于目标检测,它可以将AP提高1.3%以上,对于自上而下的路径进行语义分割的融合操作,它可以将普通加和版本的AP提高约0.8%,对于实例分割,所提方法能够在所有指标上提高实例分割的包围框AP和掩膜AP.