基于深度学习的道路语义分割新方法

针对道路图像语义分割效果不够精确的问题,提出一种基于深度学习的道路图像语义分割的改进方法,并与传统的全卷积神经网络模型(FCN)相结合实现道路图像语义分割.先验概率层利用道路图像的先验知识,在所有道路图像训练标签的基础上构建二维数组表示像素点的分类概率,并将它结合传统全卷积神经网络模型对道路图像进行语义分割.实验结果表明:提出的先验概率层的后处理算法能够优化传统全卷积神经网络模型的分割效果,使像素精确度由88.8%提高到91.3%,平均像素精确度由82.9%提高到85.7%,平均交并比值由72.5%提高到77.9%.     

基于LVQ神经网络的建筑物提取

传统的遥感影像目标检测方法大多利用人工提取特征,难以用于背景复杂的高分辨率遥感影像。以高分辨率遥感影像建筑物图像为研究对象,设计了一种基于LVQ神经网络的建筑物提取方法。对图像提取其颜色、纹理与形状特征,构成图像特征矢量并将其特征归一化,利用LVQ神经网络识别并提取出建筑物。通过与其它典型神经网络识别方法进行实验比较,结果表明该算法相对于单层感知器识别率提高了10.0%,比BP神经网络识别率提高了22.5%,能取得更理想的提取效果。     

基于改进的YOLOv5识别遥感影像中输电塔的方法

针对遥感影像目标检测中部分输电塔因目标较小、特征不显著而难以识别的问题,提出一种优化和改进的YOLOv5目标检测方法.首先,通过增加更大尺度检测层,以提升小目标的检测效果;其次,将大尺寸高分辨率遥感影像通过滑窗分割成小尺寸图像,进行检测及再还原,解决了遥感影像中难以直接有效识别输电塔等问题;最后,调用GDAL模块自动计...     

基于平面超像素的图像分割算法

针对以像素为节点建立图模型进行图像分割颇为耗时的弊端,提出了一种基于平面超像素图割的图像分割方法,并应用于图像分割。首先用改进的分水岭算法将图像分割成区域一致性小区域（超像素）,用分割得到的超像素作为图的节点构建图模型;以每个超像素的灰度值代表所在分块的全部像素点参数;最后用图割算法达到最优分割。该算法以极少数超像素代替海量像素,在得到较好分割结果的同时,极大地缩短了运行时间。     

基于改进UNet的人造板表面缺陷的图像分割方法

为满足人造板表面缺陷图像分割的精度要求,提出了一种改进的UNet 语义分割网络模型。 在传统的UNet 网络结构上将编码部分改进为残差网络ResNet50 并去掉连接层与平均池化层,网络通过残差块堆叠获取更多特征的底层信息;同时在跳跃连接中嵌入聚焦注意力机制的模块,抑制干扰信息,保留有效位置信息,聚焦缺陷区域并加强学习。 对4 种UNet 网络模型的人造板表面缺陷图像分割进行仿真比较,结果表明,融合聚焦注意力机制的残差UNet 网络模型在像素准确率和平均交并比等指标上有较大提升,分割精度较高。     

基于图像分割的改进型预测编码

传统的预测编码是通过将图像转化为预测差来消除像素间的冗余度,从而实现图像压缩。为了进一步减小预测差的熵,提出了一种基于图像分割的改进型预测编码算法。实验结果表明,该算法具有比传统预测编码更好的压缩效果。同时,还比较了各种不同的分割方法对图像压缩性能的影响。     

基于噪声估计与引导的低剂量CT图像盲去噪方法

提出了一种基于噪声特征估计与引导的低剂量CT盲去噪方法.首先,采用有监督特征学习的方式对输入图像的辐射剂量进行等级评估,并估计出图像潜在的噪声特征图.其次,提出了一种基于噪声引导的低剂量CT图像盲去噪模型,通过显性噪声特征引导的方式将噪声特征与原始图像进行融合,并采用残差编码-解码卷积神经网络实现CT图像噪声去除.实验结果表明,在真实数据集上噪声估计网络及特征融合网络能够大幅提升去噪网络的性能,并且在未知剂量CT图像去噪任务上取得了较好的去噪效果.     

一种小波域K-Means遥感图像分类标注算法

由于合成孔径雷达图像（遥感）的相干斑噪声数据丰富,导致传统的遥感图像分割方法分割效果不佳,采用学习理论和神经网络改善图像处理性能。根据图像统计特征,采取神经网络语义提出一种高效的图像纹理特征分割方法。首先,利用K-means聚类提取遥感图像的纹理特征,然后根据遥感图像在小波域中的分布特征对其进行滤波,最后利用语义对滤波后的遥感图像纹理特征和灰度组成的矢量进行分割归类,在遥感图像分割中快速标注分类以便于视觉分析。利用区域一致性分割分类,由聚类样本特征匹配进行图像分类标注,对变化检测进行统计分析,过分割或欠分割误差聚类样本不做标注,选取最佳样本聚类k值标注分类结果。     

协同KPCANet模型在人脸识别中的应用

为解决手工提取图像特征过程繁复和参数复杂问题,提出一种基于深度学习的协同KPCANet模型。该算法能够对现场采集到的人脸数据和特征进行提取和分类,通过提取分块直方图特征进行编码协同表示,将测试样本归于残差最小的类中对人脸数据进行识别和运算。实验结果表明,协同KPCANet模型在滤波器数量L1=10时一层卷积层与L2=15时二层卷积层的正确率分别达到99.17%和99.44%。协同KPCANet模型不仅能使运算过程简洁,还能提高识别结果准确度,提升识别效率。     

文字部件分割方法

残损古碑文样本少且语义多样,文字部件检测和分割是残损碑文从自身空间结构复原必不可少的环节。提出了对残损碑文部件进行检测和分割的方法。基于SOLOv2的改进模型,通过层级融合模块融合多层特征的语义信息和细粒度特征,提升特征表征能力;通过边界增强模块引入边缘先验融合预分割特征,增强掩码边界精度。结果表明,所提出模型的分割精度提升1.4%～16.2%,验证了该模型的有效性。     

多源遥感图像分级校正研究

遥感图像在进行几何精校正时．需采用地面控制点(GCPs)，这些控制点一般来源于地形图．因此．校正后遥感图像的坐标和精度主要决定于地形图．本文以遥感图像作为校正空间．对研究区内Quick Bird、SPOT-5、ETM 和TM多源遥感图像采用分辨率由高至低分级校正．对分辨率最高的Quick Bird图像校正所需的地面控制点坐标采用静态GPS地面实测的方法．使校正后的图像具有较高精度．研究结果表明：用高精度的图像作为校正空间具有较好的校正效果．研究所涉及的4个时相、5种分辨率和4个遥感平台的多源遥感图像，分级校正后的精度均较高。     

基于TM影像的土地利用信息的自动提取与制图

以丹江口水库上游库区的TM卫星数据为例,首先利用遥感图像处理软件(ERDAS IMAGINE)中监督分类的方法对该区遥感数据进行分类,然后利用该区域的DEM、坡度图、归一化植被指数作为辅助手段进行空间分析,快速提取该区域的土地利用信息,提高了信息提取的速度及精度,最后利用MAPGIS软件对提取的土地信息以土地利用专题图的形式输出。     

高空间分辨率遥感影像小波域分形纹理特征提取

融合小波多尺度分析方法及分形纹理提取方法在遥感影像信息提取方面的优势,提出高分辨率遥感影像小波域分形纹理特征计算方法,以获取地物多尺度分形纹理属性,为遥感影像地类识别提供更好的标识。首先对遥感影像进行小波多尺度分解,进而基于DBC、多重分形纹理计算方法在各个分解层上提取地物纹理特征,通过比较分析,从中选取更为有效的小波域分形纹理特征。基于该方法,利用福州市高空间分辨率QuickBird遥感影像进行试验,并对QuickBird影像进行三级小波分解及纹理提取,结果表明：小波第一、第二分解层粗影像（CA1、 CA2）及三方向平均细节影像（L1、 L2）的DBC空隙特征及多重分形分维数结果作为最终甄选的小波域分形纹理特征更为合适。     

基于正交矩的纹理分割

在识别一幅图像中的界面或物体时，一般先要进行纹理分割．本提出了基于勒让得矩的纹理分割方法．首先在图像的小窗口中计算矩值，然后用一个非线性转换器把它转化成纹理特征．再用这些特征组成特征向量作为输入数据．接着采用RBF人工神经网络对提取的特征进行分割．用k均值算法训练RBF人工神经网络的隐层．输出层的训练是采用基于LMS的监督式数学模型．该算法成功地分割了许多灰度级图像．和基于几何矩的纹理分割相比，用正交矩可以降低分割错误率．     

基于深度学习的图像语义分割技术综述

图像分割是计算机视觉领域的一个重要方向,是图像处理的核心环节。伴随深度学习技术的发展,结合深度学习的图像分割技术在精确度上远超传统图像分割方法。卷积神经网络（CNN）与全卷积神经网络（FCN）的提出极大促进了图像语义分割技术发展,研究人员提出了很多新型网络模型,分割精准度大幅度提升。从传统语义分割方法、深度学习与传统方法相结合的图像语义分割、基于深度学习的语义分割3个方面阐述图像语义分割技术研究进展,为基于深度学习的图像语义分割技术研究提供参考。     

融合ResNet结构的U-Net眼底视盘分割方法

由于亮度的相似性,带病灶眼底图像的视盘分割通常会受到亮病灶干扰。现有的视盘分割方法对正常的视网膜眼底图像具有较好的分割效果,但是在带病灶的眼底图像中表现不佳。在医学图像数据样本有限的情况下,U-Net网络能实现少样本训练生成较好的分割结果。提出一种将残差结构与U-Net网络融合的视盘分割方法。残差模块的跳跃连接能将浅层特征传递给更深一层网络,实现浅层特征的重复使用,增强了图像细节学习。将该方法在两个公开数据集Messidor和Kaggle上进行验证,在干扰较多的Kaggle数据集上,其AUC和MAP分别达到0.952 1和0.838 8,证明该方法可同时学习图像细节特征和全局结构特征,能更好地区分眼底视盘与亮病灶。     

基于Faster R-CNN的服装目标检测改进方法

为了满足近年来在服装电子商务高速发展背景下急剧增长的服装图像分类与定位需求,实现对服装图像的目标检测,提出基于Faster R-CNN的服装目标检测改进方法。借助残差神经网络的特征提取能力进行服装图像特征提取,采用RPN网络进行服装候选区域生成,经过RoI兴趣区域池化后接入分类层与回归层,调整网络结构,融合服装图像的HOG底层特征,从而针对性地实现对服装图像的目标检测。实验结果表明,该方法构建模型的平均准确率为0.902,运行速度为8.9帧/秒,具有一定的实用价值。     

基于波谱特征曲线法的遥感图像海岸线提取

本文利用遥感图像的反射波谱信息,提出了海岸线提取的一种方法。首先,根据遥感图像中水体独特的反射波谱特征,提出了以特征曲线法来进行水陆分离,其核心是基于地物波谱的相似度,以水体反射波谱曲线作为中心判据,当目标像元的特征曲线符合中心判据时,将目标像元分类为水体,反之为非水体,从而实现水陆分离。中心判据由水体波谱在遥感图像各波段的分布特征来确定。然后利用形态学方法,对水陆分离后的图像进行海岸线提取。本文以Quick Bird图像和IKONOS图像为例,利用ENVI软件编程,实现了对归一化后的遥感图像的海岸线提取。结果表明所获取的海岸线连续性好、信噪比高,算法简单且适用性强。进一步研究自适应获取中心判据的方法,可使该算法用于工程化运算。