自适应阈值法的舰船图像自动分割

图像分割是视觉检测领域中的重要环节。由于舰船环境和图像数据的复杂性,现阶段舰船图像自动分割技术中的抗光照性能差、精度低以及边缘模糊等问题仍普遍存在。如何有效完成对舰船图像进行自动分割成为一大难题。为了有效解决上述问题,对当前图像分割方法进行深入的研究和调查,提出通过自适应阈值法的舰船图像自动分割方法,在总结和分析了现有自适应阈值分割算法存在的优点和局限性后,给出了自适应阈值图像分割法的改进方案,以便从复杂的舰船图像背景中分离出目标区域,有效解决当前图像分割技术中光照不均匀、边缘模糊等问题。为验证方法有效性进行了仿真实验,实验结果证实该方法性能效果相对较好,充分满足对复杂舰船图像进行分割的设计目标。     

基于信息熵的图像阈值选取算法

阈值法是图像分割的一种重要方法,在图像处理与目标识别中广为应用.信息熵可以表征图像的灰度信息,并用以区分图像中的目标和背景.文中研究了最大熵法的分割效果、对数熵的运算时间,然后使用指数熵代替对数熵,并对二维最大熵法进行了改进,在结合大津法的同时,加入了4邻域外像素灰度的信息.实验结果表明本文所用方法可有效缩短计算时间、突出边缘特征、提高阈值自动选择的准确性和鲁棒性.     

Hough变换的舰船图像自动分割

随船舶航行距离的延长,现有图像分割方法由于分割错误率过高的问题,易导致分割精度与分割速度值的持续下降,基于此提出Hough变换理论支持下的舰船图像自动分割方法。利用图像特征提取值,选择适宜的图像处理区域,实现Hough变换的舰船图像目标检测。在此基础上,对舰船图像进行预处理,通过设定分割阈值的方式,计算得到准确的粗分割系数,实现Hough变换舰船图像自动分割方法的顺利应用。对比实验结果表明,与现有图像分割方法相比,Hough变换分割方法的实际分割错误率数值水平更低,可有效解决因船舶航行距离延长而出现的分割精度值与分割速度值持续下降的问题。     

基于图像分割的舰船图像自动标注研究

为方便对图像的理解,图像标注一直是一项必不可少工作,但是一般的图像标注方法常常忽略图像中细节信息标注,导致图像标注准确性和全面性都受到严重影响。为此,研究一种图像分割的舰船图像自动标注方法。该方法首先对采集到舰船图像进行预处理,然后将完整的图像分割成若干子区域,最后利用分类算法识别图像中目标类别,赋予其相应的类别标签,完成图像的自动标注。结果表明:与一般标注方法相比,所研究标注方法的准确率(87.21%)和召回率(92.35%)均要更高,解决了一般图像标注不准确性和不全面性的问题。     

改进神经网络的舰船图像语义分割算法

针对传统图像语义分割算法耗时较长的问题,提出改进神经网络的舰船图像语义分割算法研究。首先需要将原始图像预处理,利用阈值分割法,检测出灰度值差异,分离图像主体与背景,检测主要特征,获取全局信息,增强细节捕捉能力,强化图像目标的类别属性,采用多尺度池化的网格结构,融合图像特征,利用分类器将像素分类,将全连接层更换为卷积层,完成分割结果的优化,至此结束改进神经网络的舰船图像语义分割算法的研究。设计仿真实验,将所提出算法与其他2种传统算法对照分析,验证改进神经网络的应用效果,实验结果表明,将改进神经网络应用到舰船图像语义分割过程当中后,所耗时长稳定在75～95 ms之间,明显优于传统算法。     

深度卷积网络的舰船图像自动分割研究

当前舰船图像自动分割方法存在"过分割"或者"欠分割"现象,使得舰船图像自动分割误差大。为了提高舰船图像自动分割精度,提出了基于深度卷积网络的舰船图像自动分割方法。对当前舰船图像自动分割的研究现状进行分析,找到引起舰船图像分割误差的原因。采用活动轮廓模型对舰船图像进行粗分割,并找到其中的舰船图像错误分割区域。最后,采用深度卷积网络对舰船图像的错误分割结果进行校正,实现舰船图像进行精细分割,并与活动轮廓模型的舰船图像自动分割方法进行了对比实验。结果表明,相对于活动轮廓模型,深度卷积网络的舰船图像分割精度更高,降低了舰船图像的误分割率,验证了本文舰船图像自动分割方法的优越性。     

稀疏表示和判别性字典学习的舰船图像自动分割算法

现有舰船图像自动分割算法存在着分割准确率低的问题,故提出稀疏表示和判别性字典学习的舰船图像自动分割算法研究。为了降低图像分割计算难度,通过图像插值、坐标转换、互信息计算配准获取的舰船图像,以此为基础,提取配准图像的灰度与梯度特征,并转换为列向量构成训练样本集,构建判别性字典学习模型,通过模型求解获取舰船图像稀疏表示,判断像素点所在区域,实现了舰船图像的自动分割。仿真实验结果显示:在自变量图像数量与图像块尺度背景下,与现有算法相比较,提出算法舰船图像分割准确率较高,充分表明提出算法图像分割效果更好。     

光学遥感图像舰船目标检测算法研究

针对航天图像舰船目标快速检测问题,本文提出了一种复杂海洋背景中舰船目标的快速提取,舰船尾迹的检测及目标检测算法。根据人类视觉注意机制,把梯度作为视觉注意前期的简单特征,然后以开尔文尾迹为主要依据,以区域灰度方差表示纹理粗糙度,进行舰船尾迹识别,最后分析舰船检测的原则和主要特征,提出舰船目标检测流程,并进行目标检测实验,实现准确的尾迹识别和目标检测。     

基于人工智能技术的舰船图像语义分割算法

随着对舰船研究的深入,原有的舰船图像语义分割结果已无法满足现有的研究要求。原有的舰船图像语义分割算法在图像预处理过程中较为粗糙,导致图像分割结果交叉联合度量值较低,图像分割损失值较大。因而,设计基于人工智能技术的舰船图像语义分割算法。引用人工智能技术中的卷积神经网络对图像预处理部分展开优化;对预处理后的图像进行多尺度拟合,获取图像特征;使用改进代价函数实现舰船图像语义分割。构建算例测试环节,通过与原有算法以及使用其他技术设计的分割算法进行对比可知,此算法的交叉联合度量值较高,图像分割损失值较低。由此可知,此方法的舰船图像语义分割能力较佳。     

基于先验知识模型的舰船图像自动分割方法

当前舰船图像分割算法的错误率水平过高,易引起分割精度与分割速度的不断下降,为解决此问题,提出基于先验知识模型的舰船图像自动分割方法。通过统计舰船图像复原概率的方式,确定必要的复原质量评价指标,实现基于先验知识模型的舰船图像复原处理。在此基础上,分析先验知识模型的分割原理,借助待选取的图像特征信息,定义模糊分割集概念,实现先验知识模型舰船图像自动分割方法的顺利应用。对比实验结果表明,与神经网络型分割技术相比,先验知识模型支持下舰船图像自动分割方法的错误率水平得到有效控制,能够较好解决分割精度低、分割速度慢的原始遗留问题。     

极端天气条件下舰船红外图像分割算法

针对雾霾、雨雪、雷电等极端条件下舰船红外图像分割准确率低、误检率高的问题,提出极端天气条件下舰船红外图像分割算法。在描述极端条件下舰船获取的红外图像特征,输入原始红外图像,采用高斯滤波器提升原始红外图像的信噪比,利用滑动窗口计算原始红外图像的局部标准差,通过四处二值化图像,以图像形态学为基础进行光伏列阵填充,根据图像轮廓调整光伏阵列区域,获取分割结果。实验结果表明,本文研究的舰船红外图像分割算法的准确率较高,误检率较低,具有较好的实际应用性能。     

SAR图像舰船目标双阈值快速CFAR检测算法

针对舰船检测的高效性现实需求,本文提出了改进的舰船目标CFAR检测算法。在全局阈值的基础上,利用第一虚警率检测出超过全局阈值的像素点,将超过全局阈值的像素点视作疑似目标点,将低于全局阈值的像素点视作杂波点。在局部窗口检测过程中,引入筛选机制,设置第二虚警率,将背景窗口中的疑似像素目标剔除得到最终的检测结果。该算法计算量少,并且改善了多目标环境下的检测性能,消除了泄露到背景窗口中的目标像素对杂波统计特性的影响。仿真结果表明算法的有效性。     

基于图像分割的海上舰船目标智能感知算法

海上舰船目标的智能感知是无人水面艇、无人机视觉系统的最主要任务之一,针对海上舰船目标智能检测识别存在的问题,提出基于编码器-解码器结构的海上舰船目标图像智能分割算法,以像素级分割替代常规的检测方法,为海上无人平台的智能感知提供算法支撑。首先,针对通用的图像分割方法中存在的高层语义特征丰富、空间分辨率降低的问题,提出基于膨胀卷积的多尺度特征融合模块,提高编码器的特征提取能力;然后,针对不同目标像素身份判别的难点,在原有编码-解码结构基础上,增加了一个身份识别辅助网络分支,引导编码器对不同身份目标的特征进行关注,提高特征表示对不同身份目标的表征能力。最后,在所构建的6类舰船目标分割数据集上进行实验验证。结果表明,本文方法在准确率上较通用分割方法能更有效地实现舰船目标分割,验证了本文方法的有效性。     

基于图像分割与目标提取的舰船遥感影像分析技术

舰船遥感影像分析技术在舰船目标识别、海上航运交通管理、资源探测和军事侦察等领域发挥着重要的作用,是一种快速、高效和准确的海上舰船信息获取方法。遥感技术的理论基础是电磁波原理,该技术利用遥感卫星等设备采集和分析远距离物体辐射和反射的电磁波信号,从而进行地面物体的探测和识别。由于遥感技术存在巨大的优势,因此,基于遥感技术的舰船遥感影像分析和目标提取有重要意义,决定了海上目标识别和海上监察的水平。本文针对舰船的高分辨率遥感影像,详细的介绍了图像分割原理和目标提取原理,在此基础上研究了一种全新的舰船遥感图像分析技术。     

基于极限学习机算法的光学遥感图像舰船目标监测

在遥感成像技术快速发展的背景下,获取遥感图像的方式有所改变,已经不再局限在合成孔径雷达方面,而是开始采用光学相机。通过光学相机所形成的遥感图像具有较高的分辨率,且能够在图像中对感兴趣目标进行检测。其中,光学遥感图像是军事活动应用遥感技术的重点且备受关注。将极限学习机算法应用在光学遥感图像舰船目标检测中,可以进一步提高检测质量与效果。该算法属于全新的单隐含层前馈神经网络学习算法,结构相对简单且能够快速学习,全局寻优能力较强,计算复杂程度降低,能够获得最小平方优化解,性能稳定且泛化。总体来讲,基于极限学习机算法的光学遥感图像舰船目标检测研究十分有必要。     

舰船遥感图像的分类方法研究

遥感图像分类一直是舰船应用领域的关键技术,由于遥感图像具有多波段、高维特征等特点,当前遥感图像分类技术面临一定的挑战。为了获得更优的舰船遥感图像分类结果,提出一种多分类器加权组合的舰船遥感图像分类方法。首先分析舰船遥感图像分类研究的历史,找到导致单分类器的舰船遥感图像分类错误率高的原因,然后引入双边滤波算法对原始舰船遥感图像进行去噪,并提取舰船遥感图像分类纹理特征,最后采用多种方法建立舰船遥感图像分类器,并对它们进行加权组合,输出舰船遥感图像的最终归属。仿真测试结果表明,本文方法获得了比单分类器更优的舰船遥感图像分类正确率,舰船遥感图像分类结果更加可靠。     

舰船遥感图像的目标识别研究

本文根据遥感图像的目标识别要求,从舰船的目标识别要点出发,首先介绍舰船遥感图像的识别流程,针对舰船遥感图像在摄取中存在一定云块和复杂海况的噪声干扰问题,提出一种基于多级视觉感知算法去除海面背景干扰,获取舰船目标;考虑到获取到的舰船目标存在一定的虚假识别,本文引入基于SVM分类器方法有效的过滤掉虚假舰船目标,并在最后对舰船目标的分类识别结果进行了分析。