关于PCNN应用于图像处理的研究

研究并综述了如何用有生物学依据的脉冲耦合神经网络 (PCNN)的脉冲发放特性进行图像处理 ,如图像去噪、图像分割、图像的阴影去除、图像的边缘检测等。研究发现 ,PCNN可有效地用于图像处理。虽然解决图像处理中的不同问题时 ,基于PCNN的算法有所不同 ,但有一共同点 ,就是都用到了PCNN的脉冲传播特性。     

基于粒子群与PCNN的人脸图像分割

本文基于PSO粒子间的相互作用,对解空间随机搜索,利用粒子群的全局寻优与PCNN脉冲耦合特性相结合,合理设置人脸图像分割的关键参数,完成人脸图像的分割,仿真实验证明,该方法明显提高了人脸图像分割的效果和速度,保证了分割质量,为人脸特征提取提供可靠保证。     

一种基于Hopfield网络的MRI图像分割方法

磁共振成像（ＭＲＩ）是临床中一种重要的非介入式成像诊断方法。本文提出了一种基于Ｈｏｐ ｆｉｅｌｄ网络的ＭＲＩ图像分割算法。在无教师监督的情况下,神经网络在其能量最小化过程中,逐渐趋于特征聚类空间的一个稳定状态,因而可以实现图像的分割。     

基于信息融合的新的人脸检测算法

本文基于色度与亮度信道提出了一种新的人脸检测模型,色度信道采用肤色分割、区域增长、椭圆估计技术检测人脸;亮度信道采用简化的SVM分类算法检测人脸。并且在AR人脸数据库与UCS颜色空间基础上分析了该算法的性能,结果表明该算法在UCS空间下的性能优于YCbCr与HSV空间。     

融合改进FT显著性与Grabcut的图像目标分割算法

针对目前复杂度较大的图像中目标分割速度较慢、显著性边界分割不明确等问题,提出了一种融合改进的FT（Frequency-tuned）显著性检测与Grabcut的图像分割算法。该算法首先通过改进基于频率调谐的FT显著性检测方法得到图像中显著性较高的区域,并利用SLIC（Simple Linear Iterative Clustering）算法对显著图进行预处理得到超像素图,能够有效改善边界的分割效果,然后通过以图论GraphCut算法为基础改进的Grabcut算法建立高斯混合模型。为了提高算法效率,通过聚类以超像素代替原像素,并反复迭代高斯混合模型（Gaussian Mixed Model,GMM）参数,最后利用最大流最小割算法得到最优目标分割结果。实验结果表明所提算法能够更准确更高效率地分割图像中的显著性目标,对高分辨率图像也有很好的适用效果,相比于其他算法在分割精度上提高10%左右,并具有较高的分割效率。     

适用于彩色图像人脸识别的字典学习算法

现有的基于稀疏表示的人脸识别算法在识别前需要将彩色人脸图像转换成灰度人脸图像,这样虽然提高了运算速度,但忽视了不同色彩通道数据本身所包含的信息及它们之间的相关性。为了利用不同通道间相关性,基于标签一致的K奇异值分解（LC-KSVD）字典学习算法,提出了一种适用于彩色图像人脸识别的字典学习算法。该算法将RGB通道数据顺序排列成列向量,并在稀疏编码的环节中,对正交匹配追踪（OMP）算法的内积计算准则进行修正,以此提高字典原子的色彩表达能力。在彩色人脸数据库上进行实验,结果表明：所提出的字典学习算法能够有效地提高识别率。     

一种融合流形学习的视频人脸性别识别改进算法

如何有效利用视频中人脸之间的时空连续性信息来克服人脸分辨 率低、图像尺度变化大和姿态、光照变化以及遮挡等问题是视频人脸识别的关键所在。提出 了一种基于流形学习的视频人脸性别识别算法。 该算法不仅可以通过聚类融合学习来挖掘 视频内在的连续性信息,同时能发现人脸数据中内在非线性结构信息而获得低维本质的流形 结构。在UCSD/Honda和自采集数据库上与静态的算法比较结果表明,所提算法能够获得更好 的识别率。     

基于自适应阈值的车道检测系统的研究

车道检测系统中的关键问题是图像分割，而图像分割的基础则是自适应阈值的确定。本文针对车道检测系统对比了不同的自适应阈值算法，并采用物理模型仿真的研究方法简要分析了这几种算法的特性，最终确定了一种各项性能指标均较优的自适应阈值算法。     

一种基于Levy-人工蜂群的三维Otsu阈值分割算法

针对图像分割过程中三维Otsu算法运算时间长、计算量大的问题,提出了一种基于Levy-人工蜂群算法的三维Otsu阈值分割算法。首先,以像素灰度值-邻域均值-邻域中值的三维类间方差作为人工蜂群算法的适应度函数;其次,采用Levy飞行模式评价像素的适应度,对其种群更新及邻域搜索过程进行优化,以增强其全局搜索能力;最后,利用改进后的算法得到的分割阈值对图像进行分割。仿真实验结果表明,与传统三维Otsu阈值分割算法相比,所提算法能够有效降低图像存储空间,处理时间降低了30.8%,具备更好的抗噪性能,分割效果也更为理想。     

一种新的快速视频图像边缘检测算法

一般常用的边缘检测算法计算量较大，对细小边缘检测效果较差，不适合实时边缘检测系统。针对这一问题，本文提出一种连续分割的快速边缘检测算法：从相互垂直两方向分割梯度图像，提取截面曲线极大值获得图像边缘，使用形态学梯度，检测出细小的图像边缘。实验结果表明此算法较Canny等经典算法减少了计算量，提高了边缘检测精度。     

基于区域生长和模糊C均值聚类的图像分割方法

为了合理地确定运用模糊C均值(FCM)聚类方法进行图像分割时的聚类中心数,从而对图像进行合理区域分割,提出了基于区域生长和FCM聚类的图像分割方法.该方法可以利用区域生长合理地确定要聚类的中心数,然后再依此聚类中心数利用FCM聚类算法对图像进行分割.实验结果表明,该方法可以准确地分割出目标,是一种有效的图像分割方法.     

视频聊天新境界

超级人脸追踪技术 中星微Vimicro 301 Neptune超级人脸追踪技术基于先进的算法来实时检测摄像头预览画面中存在的人脸．采用快速人脸跟踪算法，持续跟踪检测到的人脸。利用人脸图像的几何矫正等处理来抽取人脸区域的多种特征．不断地验证人脸区域的准确性：在确保跟踪准确性的同时，运用独创的算法对脸部器官进行精确锁定，从而对人脸实玩无极定位．并在整个摄像头预监图像中输进最佳、最大的人脸图象．最后利用画中画的技术在整个图象的某个区域显示摄像头的实际捕捉画面，方便用户观察实际景象。     

断层成像技术的发展与展望

回顾了断层成像技术的发展历史及其现状,指出了传统断层成像技术中存在的问题。针对这些问题,介绍了一种并行的、分布的、自适应学习与容错的断层成像算法,即神经网络断层成像算法。此算法采用正三角形划分图像区域,用反馈式神经网络进行图像重建,图像重建具有快速、高精度的特点。     

图像分割方法的比较研究

在计算机视觉的相关研究中,图像分割是连接低级视觉和高级视觉的桥梁和纽带,而图像分割是计算机视觉系统中最关键和重要的一个环节。在概要介绍几种常用图像分割方法的基础上,比较了每种图像分割算法的优缺点及其适应范围,结果表明：不同工程应用中,应根据其需求与图像特点合理采用不同的图像分割方法以达到更好的处理效果。     

图像分割方法的比较研究

在计算机视觉的相关研究中,图像分割是连接低级视觉和高级视觉的桥梁和纽带,而图像分割是计算机视觉系统中最关键和重要的一个环节。在概要介绍几种常用图像分割方法的基础上,比较了每种图像分割算法的优缺点及其适应范围,结果表明:不同工程应用中,应根据其需求与图像特点合理采用不同的图像分割方法以达到更好的处理效果。     

基于数字图像处理的人眼定位算法的研究

一般的人脸识别系统主要包括图像与处理、人脸定位、特征提取、样本学习和识别过程四部分,其中人脸定位和特征提取的好坏直接影响到识别效果,文章研究的是特征提取方法中人眼定位算法,该算法利用vusya1 c++编写程序,在人脸粗定位的基础上进行,缩小了搜索范围,实现人眼定位.     

基于GVF-Snake模型的木材粘连细胞分割方法研究

为了精确提取木材细胞的特征参数,提出一种有效的粘连细胞分割算法.算法主要基于GVF-Snake模型和图像细化的方法,根据每个连通域的图形度,得出细胞的粘连程度;再对粘连细胞进行骨架提取;最后根据骨架与轮廓坐标确定分割位置.实验结果表明,在少量人工干预的情况下,所述算法能够较准确的识别粘连细胞,并能正确确定分割边界,误差较小.     

基于数据挖掘的DBSCAN算法及其应用

利用基于数据挖掘技术的DBSCAN算法,提出了解决图像分割的新方法。把数字图像按照点的分布情况建立图像样本数据库,然后使用密度聚类法,利用DBSCAN算法进行图像分割。它能找到图像样本比较密集的部分,并且概括出图像样本相对比较集中的类,并可在带有＂噪声＂的图像中进行聚类,完成图像分割,有较强的抗＂噪声＂能力。     

多外观模型的鲁棒人脸跟踪

为了解决在真实场景中进行视觉人脸跟踪时不同挑战之间的外观匹配问题,提出了一种多外观模型的人脸跟踪算法。该算法利用多个具有长期和短期外观记忆的外观模型进行有效的人脸跟踪,对变形、旋转、尺度和光照变化表现出鲁棒性。同时利用先检测后跟踪算法的优点,通过使用人脸检测器来处理人脸的剧烈外观变化,检测器也有助于在漂移过程中重新初始化所提算法。最后提出了一种加权分数级融合策略,通过在可能的人脸位置生成的候选人脸来获得融合值最高的人脸跟踪输出。实验结果证明,该跟踪器在自启动时表现出色,性能优于许多先进的跟踪器。     

多分类器融合的快速高维特征聚类图像分割

提出一种多分类器融合的快速高维特征聚类图像分割方法,将图像高维 特征数据的分类分解为基于灰度(颜色)特征的最佳模糊分类以及基于空域约束的统计分类等 多个低维特征数据的分类。通过多分类器融合的方法将不同分类器得到的分类结果进行优化 整合,得到最后的分类结果。实验证明：与其它图像分类算法相比,该方法拥有更好的分 割性能并大大提高了计算速度,最大限度地保证了分割算法计算的简单有效性。