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%。     

基于聚类分割和形态学的可见光与SAR图像配准

针对可见光与SAR图像灰度差异大,共有特征提取难的问题,提出了一种基于k-均值聚类分割和形态学处理的轮廓特征配准方法。利用k-均值聚类算法对两类图像进行分割,得到图像分割区域;通过形态学处理,有效减少SAR图像斑点噪声影响,准确提取两类图像的封闭轮廓;采用轮廓不变矩理论,引入矩变量距离均值、方差约束机制和一致性检查的匹配策略,获取最佳匹配对,实现了两类图像的配准。通过实验,三组图像的配准精度分别达到0.3450、0.2163和0.1810,结果表明该法可行且能达到亚像素的配准精度。     

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。     

基于核优化密度聚类的绿色苹果分割算法（英文）

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。     

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     

基于超像素仿射传播聚类的视网膜血管分割

提出一种基于超像素仿射传播聚类的视网膜血管分割方法。首先对预处理后的图像提取Hessian最大本征值、Gabor小波、B-COSFIRE滤波特征,构建3维眼底图像像素特征;同时对眼底图像进行超像素分块,并采用一致性准则对所分的超像素块进行筛选,得到超像素候选块;把超像素候选块当作样本点,把候选块内的像素特征的统计平均值当作特征向量,在特征空间中进行仿射传播聚类得出血管类和背景类两个聚类中心;根据血管类和背景类两个聚类中心,采用最近邻方法对眼底像素进行分类,实现对视网膜血管的分割。实验表明:在DRIVE和STARE眼底图像数据库上,本文算法的平均准确率分别为94.63%和94.30%;相较于K-means、模糊C均值(FCM)和其他聚类方法,本方法对血管的识别度高,所分割的视网膜血管有较好的连续性和完整性。     

基于谱分解的模糊C均值算法在彩色图像分割中的应用

针对模糊C均值聚类算法对初始值敏感、易陷入局部最优以及谱聚类算法无法处理样本量过大的问题,提出了一种将模糊C均值聚类算法与谱聚类算法相结合的模糊谱聚类算法应用于彩色图像分割。大致分为三步,第一步对图像进行预处理,将颜色空间由RGB空间转换为Lab空间;第二步对特征空间进行冗余模糊C均值聚类算法得到冗余类;第三步由冗余类的隶属度矩阵和聚类中心矩阵得到冗余类的特征空间,并根据贴进度和传递闭包将该特征空间转换为冗余类的相似度矩阵进行谱聚类,完成冗余类的合并。实验结果表明,与模糊C均值聚类算法相比,模糊谱聚类算法对于初始值敏感问题、易陷入局部最优以及只能识别团状的蔟得到了很好的解决,从而使彩色图像分割结果更加合理。     

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。     

基于均值漂移和模糊积分融合的高光谱图像分割

针对高光谱图像的特殊性,给出了一种基于均值漂移和模糊积分融合的高光谱图像分割算法。依据高光谱图像各波段间高度的相关性将其分为若干组,通过主成分分析对各波段子集进行降维。在此基础上,采用均值漂移算法计算各波段子集图像的聚类中心进而实现分割,再利用模糊积分融合各波段子集的分割结果。仿真结果证明了该算法的有效性。     

一种非稳腔激光器光瞳位置提取方法

提出一种非稳腔激光器光瞳位置提取的方法,用于光路自动准直中光瞳位置的提取。首先使用双边滤波对原始图像进行预处理,然后用系数β乘以大津算法的图像阈值得到图像的阈值,对图像进行阈值分割。得到二值图像后,对二值图像进行中值滤波。通过边缘提取算法提取二值图像中的轮廓,然后利用轮廓的中心和组成轮廓的点的数目这两个轮廓属性,找到光瞳图像的内轮廓。使用RANSAC椭圆拟合算法拟合内轮廓,以椭圆的中心作为光瞳的位置。本文提出的光瞳位置提取方法,在满足实时性要求的同时,减少了内轮廓噪声对椭圆拟合的影响,提高了光瞳位置提取结果的准确性和鲁棒性。在100帧仿真光瞳图像的内轮廓中添加40%幅值为0～13的随机噪声点的情况下,所提方法比直接椭圆拟合方法的提取结果具有更高的准确性和鲁棒性,提取位置偏差的AVG比直接椭圆拟合的结果小0.283个像素、位置偏差的最大值小0.660个像素、位置偏差的RMS小0.136个像素。     

基于CLAHE和开闭运算的绿色苹果图像分割

依据绿色苹果图像的自身特点,设计了一种分区域提取而后合并的图像分割方法。首先对图像进行限制对比度自适应直方图均衡化(contrast limited adaptive histogram equalization,CLAHE),增大果实和背景的颜色差,而后获取R-B色差图像,得到以光常区域为主的区域;然后用CLAHE处理后的图像进行开闭运算,提取局部极大值,得到以高亮区域为主的区域;最后将两区域合并获得完整的果实目标区域。为了验证该方法的有效性,运用Hough算法检测圆,并用相对偏差、圆心相对误差及半径相对误差三个评价指标来定量评价。试验结果表明,提取区域与果实目标区域相比,顺光下,相对偏差、圆心和半径相对误差平均值分别为3.59%,4.76%和2.60%;逆光下,三个指标的平均值分别为10.77%、16.77%、11.49%。无论是顺光还是逆光都有很好的识别效果,能满足机器人采摘果实的精确定位的要求。     

拉普拉斯约束低秩表示的高光谱图像异常检测

伴随高光谱图像的广泛使用,高光谱图像技术得到长足的发展,其中高光谱图像异常检测技术越发受到重视。为了解决传统高光谱图像异常检测技术的实用性和检测效果不佳的问题,提出一种新颖的低秩表示检测算法。对于高光谱图像,大部分背景像元均可以被少量主要的背景像元组合近似地表示,且它们的表示系数将会位于低秩的空间中。在剩下无法被主要背景像元表示的稀疏部分中存在着异常像元,则可以被检测算法提取出来。在低秩表示中,背景像元字典的构建将会影响高光谱图像中背景像元的表示。如直接从现有高光谱图像中提取背景像元构建字典,会导致异常像元对背景像元字典的污染。而利用待检测高光谱图像观测数据和由光谱组成原理可合成的潜在未观测数据来构建背景像元字典,提取出背景像元的主要特征,有利于更好地分离出稀疏异常像元的信息。并且高光谱图像数据存在高维几何结构特点,通过引入拉普拉斯矩阵来约束空间中局部相似的像元对于待检测像元的表示作用,获得更接近于真实的表示系数。实验结果分别在仿真数据和真实数据上验证,与传统方法相比,提出的方法通过有效地突出异常像元提高了检出率和抑制了背景像元,降低了误检率。     

基于稀疏活动轮廓模型的感兴趣目标检测定位算法

传统的基于形状信息目标定位的算法,对目标观测角度发生形变情况下的定位存在不少困难,针对该问题,提出了一种基于稀疏活动轮廓模型的感兴趣目标(OOI)检测算法.首先通过共同勾画算法学习到感兴趣目标的稀疏活动轮廓模型,它能够清晰地定义感兴趣目标模式;同时构成该模型的Gabor轮廓基元可以通过扰动进行局部的调整以适配图像,在一...     

一种新的空谱联合探测高光谱影像目标探测算法

高光谱遥感影像不但具有高分辨率的空间信息还包含连续的光谱信息,因此在目标探测领域具有独特的应用优势。传统的高光谱遥感影像目标探测侧重于光谱信息的应用,形成了确定性算法和统计学算法。确定性算法通过计算目标光谱与待检测光谱之间的距离来查找目标,不能检测亚像素目标,而且容易受到噪声的影响;统计学目标检测计算背景统计特性,通过探测异常点来检测目标,可以检测亚像素目标和小目标,但容易受到目标尺寸的影响,不能很好的检测大目标。随着高光谱遥感影像的空间分辨率的增加,探测目标已有亚像素目标逐步转换为单像素及多像素目标,此时,在高光谱图像中,相同类别的地物在空间分布上呈现聚类特性, 因此,在利用高光谱遥感影像进行目标探测时,需要将其空间信息融入算法中。将空间特征引入传统目标探测算法。提出了一种新的空谱结合的高光谱目标探测算法,将传统的基于统计的目标探测算子与空域邻域聚类算法相结合,首先利用目标探测算子将影像划分为潜在目标区域与背景区域;通过计算潜在目标区域的质心,以质心为中心进行邻域聚类,剔除潜在目标区域中的背景区域,通过迭代计算获取最终目标探测结果。传统的基于统计的目标探测算子,将整个探测区域定义为背景区域,实现对背景区域的统计特征提取,而该方法将背景区域与潜在目标区域分离,剔除了目标区域对背景区域的统计干扰。将本算子与传统的约束能量最小化算子和自适应余弦探测算子进行分析比较可知,该算子的大目标探测性能优于传统的统计算子。     

基于邻域分割的空谱联合稀疏表示高光谱图像分类技术研究

传统的高光谱遥感影像分类算法侧重于光谱信息的应用。随着高光谱遥感影像的空间分辨率的增加,高光谱影像中相同类别的地物在空间分布上呈现聚类特性,将空间特性有效地应用于高光谱遥感影像分类算法对分类精度的提升非常关键。但是,高光谱影像的高分辨率提供空间聚类特性的同时,在不同地物边缘处表现出的差异性更加明显,若不对空间邻域像素进行甄选,直接将邻域光谱信息引入,设计空谱联合稀疏表示进行图像分割,则分类误差较大,收敛速度大大降低。将光谱角引入空谱联合稀疏表示图像分类理论中,提出了一种基于邻域分割的空谱联合稀疏表示分类算法。该算法利用光谱角计算相邻像素的空间相似度,剥离相似度较低的邻域像素,将相似度高的邻域像素定义为同类地物,引入空谱联合稀疏表示模型中,采用子联合空间追踪算子和联合正交匹配追踪算子对其优化求解,以最小重构误差为准则进行分类。选取AVIRIS及ROSIS典型光谱影像数据进行实验仿真,从中可以看出,随着光谱角分割阈值的提高,复杂的高光谱影像分类精度和平滑区域的高光谱影像分类精度均逐步提高,表明邻域分割在空谱联合稀疏表示分类中的必要性。     

基于空间密度聚类的改进KRX高光谱异常检测

高光谱遥感影像包含了丰富的光谱信息,对于地物具有极强的分辨能力,从而促进了不需任何先验信息的高光谱异常目标探测技术的发展。KRX（Kernel RX）异常探测算法巧妙地利用核函数将RX算法映射至高维特征空间,加强了光谱中非线性信息的运用,具有较强的可分辨性,显著改善了低维空间的光谱不可分问题。然而,也暴露了KRX算法中病态Gram矩阵求逆误差大,异常检测效率低等缺点。为实现理论上KRX算法的强探测性能,提出一种基于新型聚类方法的改进KRX探测算法（DC-KRX）。（1）由于空间邻域像元具有较强的光谱相似性,会造成Gram矩阵病态,严重影响了异常探测效果,因此背景虚检现象严重。针对病态Gram矩阵的求逆误差问题,算法改进了KRX算子,对Gram矩阵进行奇异值分解,选取特征值较大的主成分,保证了Gram矩阵的求逆精度,待测像元的探测结果采用l-2范数表示,检测效果提高明显;（2）在改进KRX的基础上,提出了空间聚类KRX算法。空间像元之间具有光谱强相关性,既造成了Gram矩阵的病态,数据的冗余也影响了探测效率。实验发现,通过聚类算法可以合并像元于聚类中心,减少空间维度,提高计算效率;同时,聚类中心按照聚类大小被赋予不同的权重,保证了探测精度;（3）另一方面,选用合适的聚类算法是一个难点。聚类KRX算法对于聚类算法的精度和实时性要求较高,比较发现,一种基于密度峰值快速搜索（DC）的新型聚类算法具有较好的聚类性能。算法采用欧式距离计算任意像元的相似度,利用局部密度和邻域距离作为聚类中心的联合判断准则,对结果进行排序得到聚类中心。实验发现,该聚类算法计算速度快,且能够对任意形状的分布进行聚类,非常适合于维度较高,成分复杂的高光谱图像,且适用于较高次数的重复聚类。DC-KRX算法提供了一种空间聚类预处理的高光谱异常探测新思路,最后,与国际主流探测算法对比发现,该算法表现了较好的探测性能。同时,时效性对比分析发现,聚类前后算法的检测效率提高了30%以上,有效改善了KRX算法的实时性。     

基于多小波变换的红外目标探测与识别

针对光电联合变换相关器目标识别的实际应用,对待测红外目标图片进行多小波变换,并利用模极大值法提取其边缘.通过获取更多的轮廓信息,从而提高对目标的识别能力.计算机模拟了常用于红外目标处理的多小波GHM和SA4,实验结果表明:基于GHM多小波提取的边缘能获取大量的图像轮廓信息,其识别结果明显优于SA4多小波.将目标原图的光学相关探测结果与基于GHM多小波提取的边缘图像光学相关探测结果进行比较发现,经多小波预处理后的边缘图像能有效增强相关峰强度.     

基于阈值判断的CamShift目标跟踪算法

针对CamShift算法只利用目标的颜色信息,在跟踪过程中,易受目标相似物、遮挡以及光照等复杂背景影响导致目标搜索窗口发散,跟踪稳定性能降低,提出了一种基于阈值判断的目标跟踪方法。该方法将OTSU法和Snake模型结合,利用OTSU法以最佳阈值对图像进行分割,分离前景区域和背景区域,初步提取目标轮廓作为Snake模型的初始轮廓,经收敛得到目标的精准轮廓,利用轮廓外接最小矩形框内的像素计算目标质心,判断与CamShift算法中目标搜索窗口质心之间的欧式距离,如果未超出阈值,则直接使用CamShift算法跟踪目标,反之,则将计算出的目标质心作为CamShift算法中当前帧目标搜索窗口的质心跟踪目标。实验结果表明,该算法跟踪目标具有较好的实时性,跟踪性能稳定、可靠。