1 辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛 125105
2 阜新力兴科技有限责任公司, 辽宁 阜新 123000
针对现有基于过分割的手写体数字字符串识别算法的复杂度较高,以及基于无分割算法无法识别4位及以上长度字符串和准确率较低的问题,提出了基于掩模区域神经网络(Mask-RCNN)的无分割手写数字字符串的识别算法。由于Mask-RCNN增加了并行的全卷积分割子网,能够同时实现对粘连手写数字串中单个数字的掩模分割和数字类别的分类任务。测试集的结果表明,在NIST SD19数据集的1~6位数字串图像及自建掩模数据集的训练下,该网络对长度分别为3位,4位和5位字符串的识别准确率比目前最新算法分别提高了1.2、0.6、0.4个百分点,该算法对非限制位数的手写体数字串的识别具有显著优势,应用前景广阔。
图像处理 手写数字字符串识别 掩模区域神经网络(Mask-RCNN) 无分割识别 激光与光电子学进展
2020, 57(14): 141012
1 重庆通信学院应急通信重庆市重点实验室
2 重庆 400035
3 中国人民解放军95894 部队，北京 102211
卫星图像的准确分割与识别在**、环境、民生方面都有着重要的研究意义与价值。传统的区域分割算法如分水岭算法、k-means 算法等在错综复杂的卫星图像中表现不佳，且不能同时给出区域的类别。为解决上述问题，本文提出一种结合CNN 与分水岭算法的图像区域分割方法。该方法首先使用人工标记的区域图像训练CNN（卷积神经网络）分类器，且使其具有旋转不变性及平移不变性，从而能适应不同状态下的图像分类。然后用分水岭算法对图像进行区域粗粒度的聚类，针对分割出的每一个候选区域，使用CNN 分类器对其迭代打分，最后得到分割区域并给出识别结果。实验结果表明，该方法较传统方法有更好效果。
卷积神经网络 梯度分水岭 卫星图像 分割识别 convolutional neural network gradient watershed sensing images segmentation and recognition
1 山东大学 信息科学与工程学院，济南 250100
2 中国人民解放军72690部队，山东 泰安 271000
针对数字同轴全息颗粒场检测中不同层面颗粒的自动聚焦问题，通过分析颗粒场数字同轴全息记录与再现的特点，提出一种颗粒分割识别与独立聚焦方法.给出了对单个颗粒进行聚焦判断的独立聚焦判据函数、以及实现颗粒分割识别和独立聚焦的方法.通过单层单个、两层两个及多层多个颗粒场的实验，验证了所提出方法的正确性.
同轴数字全息 颗粒场检测 聚焦判据函数 颗粒分割识别 独立聚焦 Digital in-line holography Particles field detection Focus measure function Particles segmentation and identification Independent focusing
