【摘 要】
：
由于现有的超声图像自动分割法缺少对模糊区域的滤波处理,导致图像分割后可识别的信息点较少,信噪比较低,为此,提出一种基于边缘检测的超声图像模糊区域自动分割算法。采用单尺度Harris角点法结合统计算法、空间域算法以及动态阙值法检测超声图像的边缘轮廓特征信息,将检测到的边缘信息的特征进行增强以及融合处理。对边缘图像进行滤波处理,保留图像必要细节。根据处理后的模糊区域边缘点的位置信息计算超声图像模糊区域
论文部分内容阅读
由于现有的超声图像自动分割法缺少对模糊区域的滤波处理,导致图像分割后可识别的信息点较少,信噪比较低,为此,提出一种基于边缘检测的超声图像模糊区域自动分割算法。采用单尺度Harris角点法结合统计算法、空间域算法以及动态阙值法检测超声图像的边缘轮廓特征信息,将检测到的边缘信息的特征进行增强以及融合处理。对边缘图像进行滤波处理,保留图像必要细节。根据处理后的模糊区域边缘点的位置信息计算超声图像模糊区域的分割模板尺度,构建自动分割模型,实现超声图像模糊区域的自动化分割。仿真实验的结果表明,采用该方法进行超
其他文献
针对借助图像技术测试织物导湿性能时织物润湿图像分割困难的问题,提出一种基于双边滤波及直方图均衡化预处理的织物润湿区域有效提取方法。图像处理结果表明:双边滤波处理可有效去除织物润湿图像采集过程中产生的噪声,一定程度上模糊织物细腻的纹理及孔隙结构;直方图均衡化处理可提高织物图像整体亮度,增强图像干湿区域对比度;与其他几种常用的去噪算法处理结果相比,双边滤波对噪声的去除更彻底,预处理后经最大类间方差法分
针对目前人工选茧效率低、自动化辨识技术尚未被有效利用等问题,设计了一种基于深度学习的蚕茧种类实时检测系统。该系统主要由检测装置、蚕茧图像识别模块、气泵吹气控制模块及蚕茧种类检测管理模块组成。蚕茧分批进入粗选机构中,该机构以振动分离的方式快速分离部分下茧;剩余蚕茧通过单粒化机构进行有序排列;通过精选机构拍摄蚕茧完整表面图像,以深度学习模型BL-YOLOv3为依托,对黄斑茧、上车茧及烂茧进行有效识别;
随着现代计算机技术的快速发展,计算机数字图像处理技术已成为当前追逐的热点,并广泛应用在木材科学领域中。数字图像技术所具备的现性好、精度高、灵活性强等优势,为木材科学的发展提供了新手段。文中基于数字图像处理技术从木材宏观与微观方面对木材缺陷、木材纹理、细胞特征等进行综述,同时分析了木材科学研究中主要用到的数字图像处理技术,并对数字图像处理技术在木材科学中的研究方向及发展趋势进行展望。
由浙江大学海洋学院陈家旺教授团队承担的国家重点研发计划——"深海关键技术与装备"重点专项"建设深渊生物资源勘探、获取、培养及保藏技术体系"研制设备,近期参加"探索一号"TS21-1航次,并顺利完成验收海试,成为国内科学界首次在全海深深度取到宏生物保压样品的海试,填补了国际上全海深保压取样设备的技术空白。
群体行为识别从群体层面出发,研究群体的行为及个体的动作并进行分类.准确的群体行为识别结果对安防监控、体育视频分析等领域有重要意义.针对目前基于LSTM的群体行为识别无法充分挖掘个体间在群体层面时空特征的问题,提出一种基于LSTM-Transformer的群体-个体时空特征融合群体行为识别模型.在此基础上,首次将运动轨迹特征融入群体行为识别中,提出融合运动轨迹特征的群体行为识别模型,进一步提升模型的
领域自适应问题中源域样本和目标域样本分布差异较大.传统领域自适应方法在对齐领域分布时,往往忽略样本的先验标签信息,导致投影后子空间样本判别性不足.针对该问题,提出一种两阶段无监督领域自适应方法.该方法利用标签信息使目标域子空间具有鉴别性的同时对重构矩阵施加块对角约束,得到跨域子空间中的域不变特征,提高模型分类性能.在领域自适应问题常用的三个基准数据集上进行实验,获得了较好的效果.
目前大多数图像超分辨率重建算法都是通过堆叠卷积神经网络的深度和宽度来提升算法的重建能力.虽然这些算法能够在一定程度上提升重建效果,但是算法复杂度高.为了改善这一问题,提出一种基于注意力机制和特征融合的轻量超分辨率重建算法.首先利用像素注意力机制,对不同的特征的像素进行加权;随后利用轻量级通道注意力机制模块设计多级特征融合模块,并通过全局残差连接进行全局的特征融合;最后对提取到的特征进行亚像素卷积上
为解决三维核磁共振成像(Magnetic Resonance Imaging, MRI)与正电子发射断层成像(Positron Emission Tomography, PET)融合细节表达不足及能量信息不完善问题,提出了一种基于三维非下采样离散剪切波变换(3D Nonsubsampled Discrete Shearlet Transform, 3D NSDST)和改进空间频率(spatial
为增加垃圾拾取机器人的自主感知能力,提出了一种用于垃圾跟踪视觉系统的基于YOLOV4改进的轻量级目标检测算法YOLO-TrashNet。针对视觉跟踪系统速度与精度权衡问题,在YOLOV4的基础上将主干网络替换为MobileNetV3,分析了SE(Squeeze-and-Excitation)注意力机制、CBAM(Convolutional Block Attention Module)注意力机制以
近年来,通过神经网络架构搜索(NAS)得到的自动搜索型神经网络在视觉任务中表现尤为突出,然而,其更为复杂多变的卷积规模和运算方式限制了其在边缘侧设备的应用.为解决这一问题,针对自动搜索型神经网络搜索空间中各种复杂多变的计算方式,设计了一款可加速自动搜索型神经网络的高帧率高灵活度加速器.首先,针对其丰富的卷积类型提出了阵列复用混合卷积(AMMC)结构,不新增MAC阵列就能灵活地实现不同卷积在不同方向