几种分形方法在图像边缘检测中的应用研究

介绍并比较了几种基于分形理论的边缘检测技术,包括基于分形编码的图像边缘检测、基于离散分数布朗随机模型的图像边缘检测、基于多重分形方法的图像边缘检测、利用人造目标和自然背景的不同分形特征提取目标边缘。具有不同分形特征的图像采用不同的的算法都可以取得较理想的效果,但实际上无论哪一种算法在解决一定问题的同时也存在不同类型的缺陷。因而,寻求更理想的分形方法应用在图像边缘检测中将仍然是图像处理与分析中研究的主要问题之一。     

基于Pal算法改进的边缘模糊检测算法比较分析

边缘检测是图像分析和计算机视觉中最重要的内容之一.80年代中期,从图像所具有的不确定性是由模糊性引起的观点出发,首次将模糊集理论引入图像的边缘检测中,提出了图像边缘检测模糊算法(简称附算法).与传统的空间域微分算法相比,该算法具有较好的抑噪、边缘检测效果,但是此算法仍然存在不少缺陷.就三种改进的模糊算法从算法原理和检测效果上与传统的Pal算法进行比较分析,用以说明改进算法能取得更好的检测效果.     

农村公路水泥路面裂缝智能检测（英文）

为解决传统人工图像处理方法在农村公路路面病害检测中存在的效率低、结果不客观、大量数据无法及时处理等问题,考虑农村公路路段分布特征,集成ResNet50路面分类和改进的YOLOv5裂缝检测算法,提出了一种农村水泥路面裂缝智能检测方法.利用不同训练策略、不同网络深度进行对比,构建了基于ResNet50的路面高效分类模型,实现农村公路水泥和沥青路面的自动判别.创建了包含18 028张农村公路水泥路面裂缝图片的检测数据集,开展单阶段和两阶段目标检测算法对比试验研究,获得兼顾检测精度和效率的优选检测算法.在优选算法中融入自适应空间特征融合策略和优化回归损失函数,有效解决了图像中多尺度裂缝漏检问题,并进一步提高了整体检测精度.应用所提集成方法对农村公路水泥路面进行现场实测,结果表明路面类型分类准确率为98.4%,裂缝检测准确率为93.0%,表明所提方法能够准确高效地运用于农村公路水泥路面裂缝检测.     

基于注意力机制的高分辨率遥感图像目标检测

高分辨率遥感图像目标检测是计算机视觉实践课程中的一个创新实验项目.针对高分辨率遥感图像目标检测过程存在的问题,在主干网络的残差基本单元中引入注意力机制,设计基于注意力机制的目标检测模型.利用模型分别检测DIOR数据集及DOTA数据集,并对检测结果进行了对比分析.结果表明,该检测模型实现了对图像中不同目标较为精确的分类和...     

在人脸检测中对Adaboost算法的应用研究

由于在当前使用的图像检测方法当中最为流行的是Adaboost算法,这种检测方法立足于统计模型.而当前有部分人脸检测方法当中存在着比较严重的检测速度慢与误检率特别高的问题,本文则对基本的Adaboost算法原理进行仔细解释,而且将这一算法在开发OpenCV程序过程当中进行应用,从而做到实现快速检测、鲁棒性与检测率都比较高的人脸检测.     

基于物联网的人工智能图像检测系统设计研究

传统的小波能图像检测算法已无法满足现代物联网的发展需求,在实际过程中,也发现了小波能图像检测算法在精度与速度上都存在不足.基于以上现象,本文中采用人工智能采集技术提取图像的基本特征,再结合物联网强大的运算能力与其庞大的数据量信息,对所采集到的图像特征进行分析与解剖,根据其所反馈的特征信号,再通过物联网人工智能图像合成对其进行图像整合,继而搭建物联网人工智能图像检测系统.     

基于改进canny算法的单峰直方图边缘检测

针对边缘检测中图像直方图成单峰状态的情况,提出一种改进的canny边缘检测算法.传统canny算子的高低阈值一般人为地设定固定值,当一幅图像的灰度级集中在某一区域时,容易造成虚假边缘;算法提出用最小交叉熵计算图像的高低阈值,得到理想的阈值;解决了传统canny算法在单峰直方图边缘检测不够理想的问题.实验结果表明,算法抑制噪声能力较强,有效地提高了边缘检测的鲁棒性.     

基于Adaboost的人脸光照补偿方法

针对传统Adaboost人脸检测算法中光照不均匀、图像检测正确率低的问题,提出一种基于Adaboost算法的人脸光照补偿检测方法。介绍Adaboost人脸检测算法的处理流程以及直方图均衡化原理,并将Adaboost算法和直方图均衡化相结合,实现人脸检测。检测结果表明,与传统的Adaboost人脸检测方法相比,新方法对于光照不均匀图像的人脸检测有很好的效果。     

基于改进YOLOv5算法的红外图像行人目标检测

针对红外图像中行人检测算法准确率低、漏检等问题,提出了一种基于改进YOLOv5s的红外行人目标检测方法。首先,利用Transformer编码结构替换C3模块中的Bottleneck结构,以加强检测网络的特征融合能力;其次,利用递归门控卷积gnConv对视觉感受野模块RFB进行改进,并在YOLOv5s头部检测网络前加入改进的RF-gnConv模块,以提高模型对各种复杂场景行人检测的适应力;最后,利用OTCBVS数据集对算法模型进行验证。结果显示：改进后的算法模型平均精度均值达到97.3%,检测速度为63帧/s,验证了改进算法对红外图像中行人检测的有效性。     

基于改进YOLOv5的小样本水下声呐图像目标检测

声纳图像目标检测在水下救援和资源勘探中具有重要意义。传统的声纳目标检测技术存在智能化程度低、鲁棒性差、实时性差、识别精度低等问题。尽管许多基于卷积神经网络的目标检测算法在自然图像中取得了很大的成功。然而,对于水下声纳图像来说,海底混响噪声干扰、前景目标区域像素占比低、成像分辨率差等问题对实现准确的水下目标检测提出了相当大的挑战。为了解决这些问题,文章基于YOLOv5目标检测模型提出了一种新的声纳图像目标检测器。首先,在原有Backbone的基础上基于多头注意力机制引入C3MHSA模块和SE注意机制,提高模型的收敛性和提取目标形状和空间有效特征的能力。此外,在Backbone中加入RFB模块,提高网络在高感受野存在的情况下学习重要信息的能力。实验结果表明,改进后的Yolov5网络的m AP@0.5值为98.9%,较原始YOLOv5模型有了全面大幅提升,明显优于现有方法。