为了提高移动机器人感知环境、执行高级任务的能力，针对传统视觉同时定位与建图（SLAM）构建的地图缺乏语义信息无法对场景内容进行理解的问题，提出一种基于物体分割的语义地图构建方法。首先，通过改进的语义分割模型DeepLab V3+对二维图像进行分割，获取物体的标签；然后，根据改进的迭代最近点（ICP）点云拼接方法构建稠密地图，并且采用区域生长算法对三维点云进行分割；最后，将二维标签映射到三维稠密地图中，构建出语义地图。实验结果表明：所提改进的DeepLab V3+算法与原方法相比，检测速度提高了约4倍；采用改进的ICP算法进行点云拼接时，在TUM数据集的fr/360序列上其相对轨迹误差较ORB-SLAM算法减小了约16.4%；最后，与ORB+YOLOv3、ORB+MASK-RCNN、ORB+DeepLab V3+方法相比，所提方法减少了语义地图的冗余信息，而且建图速度更快，并且占用储存更少。

为了解决目前电力线悬挂点定位方法鲁棒性低、定位不精确的问题, 采用基于激光点云的结合局部3维重建与迭代搜索的方法对电力线悬挂点定位进行了研究。首先, 对电力线点云空间特征进行分析进而推导电力线空间约束条件, 以此作为生长准则进行基于空间约束的区域生长, 实现跨越多档的单根电力线分割; 然后, 对杆塔点云聚类提取杆塔中心点, 以杆塔中心点连线的角平分线为基准划定每档电力线的空间分割平面; 之后, 对各分割平面附近电力线点云进行空间多项式局部3维重建; 最后, 结合分割平面迭代搜索计算重建电力线的交点, 实现电力线悬挂点空间位置定位。结果表明, 对于3种电压等级线路点云及2种数据质量点云, 电力线悬挂点定位平均偏差均在0.09m以内, 最小偏差为0.03m。该方法鲁棒性高, 可以精确地实现各电压等级及各质量点云数据中的电力线悬挂点定位, 为后续基于悬挂点的电力线模拟工况安全分析提供了基础。

提出一种融合RGB、YCbCr和区域生长的火焰前景提取算法。首先,在YCbCr算法的基础上,从反光和非反光区域考虑R通道和Y通道之间的关系,避免反光和非反光区域中过多噪声对初始分割的干扰;然后,计算连通区域质心权重,自动确定种子点,对完成颜色分割的图像进行区域生长,达到精细分割的目的;最后,全面分析火焰的静态和动态特征,给出面积和周长变异系数及质心运动距离变化比等,进而将火焰与路灯、蜡烛等干扰源区分开。实验结果表明:所提方法克服了单个算法对火焰场景分析中出现的识别精度不高的缺点,同时能识别出反光和非反光区域并快速排除干扰物,减少误判。

针对具有复杂背景干扰和立体结构的陶瓷瓦表面裂纹缺陷,提出基于滑动滤波和自动区域生长的方法对陶瓷瓦表面裂纹进行提取。首先对采集图像进行预处理,并将图像分割为瓦头和纹理两个区域;然后用自定义滑动滤波法对瓦头区域的裂纹缺陷进行检测,用自动区域生长方法检测纹理区域的裂纹;最后用形态学运算去除杂散干扰点,提取裂纹的特征参数。实验结果表明,本文方法可有效去除复杂背景干扰,能提取出立体结构的陶瓷瓦表面裂纹。

提出一种有效的三维点云骨架分割的方法,分割后的结果可用于三维点云物体识别和分类。利用稳健性较强的L1-中心骨架算法对点云数据进行骨架提取,可得到一系列骨架点;利用基于八叉树的区域增长分割方法对已经得到的骨架点进行分割,选取法向量和残值作为判定标准;利用OpenGL库编程把分割出的各个部分进行骨架连线。对多种形状的点云数据(包括动物模型、植物模型、人体模型、字母模型)进行实验,该方法均得到较好的结果。

复杂背景下的红外图像往往由于噪声较多、背景区域重叠、目标与背景对比度较差等因素, 在对目标区域分割时会造成过分割或欠分割。针对此现象, 提出了一种将全卷积神经网络和动态自适应区域生长法相结合的红外分割算法。首先利用全卷积神经网络对目标区域在像素级别进行特征提取, 通过神经网络强大的自学习能力获得目标区域的粗分割结果; 然后根据粗分割结果, 对其取外接最小面积矩形框, 并根据矩形框位置在原始图像上确定目标区域, 并以此矩形区域进行动态自适应区域生长, 形成第二次分割结果。最后融合全卷积网络(FCN)的粗分割结果和区域生长分割结果, 实现目标区域的最终分割和提取。仿真实验表明, 该方法能有效利用FCN对红外图像复杂背景的消除能力, 而区域生长法对分割细节的敏感也同时弥补了FCN分割精度的不足, 取得了较好的分割效果。

为了同时检测本影与半影区域,提出并证明了阴影区域辐射的一致性属性。获取超像素区域轮廓内的点集合,将像素点集合(PCC)分为目标前景区域(目标PCC)和阴影区域(阴影PCC),利用所提出的基于区域生长的完整阴影检测与目标掩码增长算法,通过融合完整的阴影区域、完整的目标前景区域和ViBe掩码这三个部分,实现了前景目标掩码反向增长。在公开数据集中的实验结果表明,所提方法的阴影检测平均精度达到了82.5%,性能显著优于传统方法。目标掩码的平均增长率达到了8.84%,准确率达到了95%以上。

大型高功率激光驱动装置中,激光能量密度及系统运行速度主要受终端光学元件损伤增长的限制。为高效、精确地检测元件的损伤状态,提出了一种基于局部信噪比的自适应差异窗过滤算法。该算法通过设计一种作用在像素点上的窗函数,以关联邻域点的像素值强弱完成目标点或背景点的判断,从而完成种子图像的阈值化,最后通过对种子图像区域生长完成损伤分割。为验证算法的有效性,搭建了在线检测模拟平台以获取损伤样品图像,并使用该算法对图像进行处理。结果表明:对直径50 μm以上的损伤点,算法的平均识别率在99%以上,达到了高功率激光驱动系统对微小损伤检测的精度要求。因其不需要依据经验设定种子图像的阈值,与现有局部信噪比算法相比具有更高的自动化程度。

采用高、低角度光源组合打光方式提取感兴趣区域,构建划痕形态学的中值滤波核以获取准确的背景图像,再经背景差分后提取划痕缺陷。采用基于方向梯度的改进区域生长算法实现了同一划痕的有效连通,降低了划痕缺陷的漏检率。通过对面积、长宽比等主要特征参数的置信度分析,提出了一种多特征加权融合的划痕判定方法。结果表明,利用该方法进行划痕检测的正确率达95.7%,算法处理时间少于1.21 s,达到了工程应用的精度和效率要求。

为准确地划分出实际内窥图像的有效检测区域, 依据此类图像的具体特点提出一种综合区域生长和霍夫变换的分割算法。利用区域生长大致分割出感兴趣区域, 可能会存在漏检边缘或虚假边缘, 通过二值形态学处理对图像进行平滑滤波和去噪, 采用Canny算子在抑制噪声的同时进行边缘检测, 应用霍夫变换检测圆的算法确定图像内有效区域的位置。通过对90组实际内窥图像在Visual C++ 6.0上进行仿真, 实验结果表明: 有88组内窥图像能够精确地分割强光干扰且划分出有效检测区域; 仅有2组图像分割出的强光干扰及划分出的有效检测区域不够准确。