1 大连理工大学 汽车工程学院 工业装备结构分析优化与CAE软件全国重点实验室， 辽宁大连6024
2 大连理工大学 宁波研究院，浙江宁波315000
3 比亚迪汽车工业有限公司，广东深圳518118
为了进一步提高自动驾驶感应模块中激光雷达点云地面分割算法的分割精度，提出一种基于种子点距离阈值和路面波动加权幅值自适应的地面点云分割算法。该算法在极坐标栅格地图划分的基础上，将种子点的选取判断阈值与二维平面的水平距离特征相关联，通过点云间的水平距离变化控制种子点集的更新；在道路模型拟合过程中，为解决斜坡路面模型更新停滞问题引入坡度连续性判断准则，根据路面波动加权幅值的变化建立点云的分割阈值方程，最终实现关于点云距离特征的自适应阈值分割。对开源数据集Semantic KITTI进行点云二分类数据处理，并在此基础上测试算法性能。实验结果表明：与现有算法相比，本文所述地面分割算法的精确率和召回率均提升了2%~4%，具有较高的准确性。
点云 地面分割 种子点距离 自适应阈值分割 point cloud ground segmentation seed points distance adaptive threshold segmentation 光学 精密工程
2023, 31(17): 2564
1 中国科学院 长春光学精密机械与物理研究所, 吉林 长春 130033
2 中国科学院大学 材料科学与光电技术学院, 北京 100049
为了在复杂天空背景下检测出低空慢速小目标, 本文研究了“低小慢”目标的视觉显著性区域特征, 融合扫描线填充算法, 提出了一种动态背景下“低小慢”目标自适应实时检测技术。首先, 根据图像的亮度对比度获取显著性图。接着, 使用形态学梯度提取显著性特征, 通过三帧差分算法得到种子点。然后, 使用扫描线填充算法进行生长, 结合提出的自适应双高斯算法分割出前景。最后, 根据候选目标的面积占比变化、质心距离变化、宽高比差异剔除虚假目标, 完成检测。为了验证算法的有效性, 本文选取了7组复杂天空背景的视频序列进行测试, 并与其他优秀检测算法进行了对比。结果表明, 本文提出的算法对运动目标检测的平均运行时间为0040 9 s, 平均检测准确率为8997%, 相比于其他算法的平均运算时间减少了035 s, 检测的平均准确率提高了245%。算法在复杂背景下具有较好的稳定性和较强的鲁棒性。
计算机视觉 视觉显著性 扫描线填充 曲线拟合 自适应阈值分割 computer vision visual saliency scan line filling curve fitting adaptive threshold segmentation
1 中国科学院 苏州生物医学工程技术研究所, 江苏 苏州 215163
2 中国科学院大学,北京 100039
基于数字微滴图像检测法的数字聚合酶链式反应(PCR)在检测时获取的荧光微滴图像呈密集分布、具有低亮度、低对比度等特点, 导致其识别正确率较低。为了实现对密集分布的荧光微滴的正确识别, 本文提出一种基于改进的分水岭分割算法的荧光微滴识别方法, 首先利用直方图均衡化和高斯滤波对图像进行预处理, 然后使用局部自适应阈值分割从背景中提取目标, 降低对图像灰度信息的依赖, 最后结合微滴形状类圆、尺寸较均匀的特点定义微滴黏连度函数, 降低了分水岭分割中的错误分割比例。对比实验表明, 与传统的基于距离变换分水岭分割法相比较, 本文算法的正确率为9734%, 高于对照方法的859%, 验证了本文算法的优越性。
微液滴 图像识别 局部自适应阈值分割 分水岭分割 micro droplets image recognition local adaptive threshold segmentation watershed segmentation
针对当前红外目标检测与跟踪算法存在场景自适应能力弱、专用性强, 以及在大视场条件下, 首帧图像中小目标误检率高的问题, 提出一种红外序列图像目标自适应阈值分割、检测与跟踪方法.选取目标移动速度、目标轮廓的面积和周长、以及自适应分割阈值与感兴趣区域位置为动态变量, 建立动态决策准则.采用首帧目标检测算法计算出序列图像的第一帧图像目标的静态变量和部分动态变量, 再采用改进的局部自适应阈值分割算法分割后续帧图像, 然后利用静态与动态决策准则筛选出分割后的真实目标, 最后计算并更新动态决策准则.红外靶标测试结果表明：该方法对不同场景具有较好的适应性, 四个场景平均跟踪准确率为95.81%, 微机平台平均每帧处理时间为10.93 ms, 嵌入式平台为26.79 ms.
红外图像 红外目标检测与跟踪 多特征融合 自适应阈值分割 实时跟踪 Infrared image Infrared target detection and tracking Multi-feature fusion Adaptive threshold segmentation Real-time tracking
南京理工大学电子工程与光电技术学院, 江苏 南京 210094
针对液晶显示屏(LCD)显示缺陷检测中待测图像出现的平移和旋转导致误检率过高, 传统人工检测效率低、漏检率高, 以及图像配准精度对缺陷检测准确率的影响等问题, 提出一种基于Fourier-Mellin变换的LCD显示缺陷检测方法。基本原理是利用Fourier-Mellin变换对标准图像和待测图像进行粗配准, 通过加速稳健特征/尺度不变特征变换(SURF/SIFT)算法进行细配准, 对标准图像和配准后的图像进行加权平均融合得到最终的配准图, 最后利用局部自适应阈值分割和差影法检测缺陷, 并标注缺陷的位置及信息。实验结果表明, 提出的方法对平移和旋转的稳健性好, 能够有效地检测出LCD显示缺陷, 检测准确率达到98.667%。
机器视觉 液晶显示屏显示缺陷检测 Fourier-Mellin变换 加权平均融合 局部自适应阈值分割 差影法 激光与光电子学进展
2017, 54(12): 121502
复旦大学 电磁波信息科学教育部重点实验室, 上海 200433
提出一种基于分块相位梯度算法(PGA)的多舰船尾迹合成孔径雷达(SAR)图像自动识别方法。首先在多结构形态学滤波和自适应阈值(OTSU)分割的基础上, 利用分块PGA算法消除运动舰船的位置偏移和像元模糊, 还原舰船实际信息; 利用改进的局部Hough变换对分块图像进行检测和识别, 根据识别出的尾迹坐标和角度反演运动舰船位置和航向信息。检测结果表明, 该算法可准确检测SAR图像中舰船的实际位置和航向, 识别准确度高, 抗干扰性强。
合成孔径雷达 多舰船尾迹自动识别 分块相位梯度算法 改进局部Hough变换 多结构形态学滤波 聚类 OSTU自适应阈值分割 Synthetic Aperture Radar multiple ship wakes detection block-wise Phase Gradient Algorithm improved local Hough transform multiple structure morphology filtering clustering OTSU automatic segmentation 太赫兹科学与电子信息学报
2017, 15(4): 558
1 空军工程大学 防空反导学院, 陕西 西安 710051
2 中国人民解放军驻 3531厂军事代表室, 贵州 贵阳 550009
针对目前小目标检测存在的难点, 提出了一种基于时空域融合的小目标检测方法。该方法首先运用形态学 Top-hat进行空域滤波, 将原图像中的大部分背景及杂波抑制, 时域上采用三帧差分方法增强目标。融合后对图像进行自适应阈值分割, 得到潜在目标点, 最后根据目标运动的连续性与规则性采用邻域判决法滤除虚警点, 检测出目标的运动轨迹。仿真结果显示该方法能较好检测出复杂背景下低信噪比运动小目标。
时空域融合 自适应阈值分割 小目标检测 temporal-spatial fusion adaptive threshold segmenting top-hat Top-hat small target detection
为实现 MSTAR图像无监督分割，并提高分割精度和计算效率，提出了一种基于 Gabor滤波增强的自适应阈值分割算法。首先利用多尺度、多方向的 Gabor滤波器组对待分割图像进行滤波处理，抑制目标、阴影和背景区域内部的斑噪起伏，同时增强区域间的差异性；在此基础上，通过对增强图像统计特性的分析，给出了灰度阈值计算形式，实现了 MSTAR图像的自适应分割。实验结果表明，本文算法对不同斑噪强度的 MSTAR图像均具有良好的处理效果，在分割精度、计算效率等方面优于传统的 OTSU，以及 FCM、MRF等分割方法。
Gabor滤波器组 图像增强 MSTAR图像 自适应阈值分割 Gabor filter banks image enhancement MSTAR image adaptive thresholding
1 中国科学院上海技术物理研究所, 上海 200083
2 中国科学院红外探测与成像技术重点实验室, Received date上海 200083
针对含有部分复杂地面背景的空中点目标跟踪环境提出一种基于自适应背景划分(Adaptive Background-Division)的单帧检测算法。先求出图像的行灰度方差, 计算表示灰度分布均匀性差异的划分背景方差比(RDBV), 自适应地检测出天空背景边界以屏蔽地面背景; 再进行基于空域滤波的单帧检测算法。实验结果表明该算法在保证无漏检的情况下大大降低了潜目标数量, 而且对于暗背景和亮背景都同样适用。
单帧检测 自适应背景划分 划分背景方差比 空域滤波 自适应阈值分割 single-frame detection adaptive background-division RDBV (Ratio of Divided Background Variance) spatial filter adaptive threshold segmentation
解放军炮兵学院,信息化弹药研究所,安徽,合肥,230031
为提高空中红外小目标检测速度,提出了一种基于灰值形态学序列图像膨胀累加、背景估计和自适应阈值分割的并行结构小目标分割算法.该算法对灰值膨胀运算后的相邻三帧图像进行累加以增强小目标能量;将灰值形态学开、闭运算的平均值作为背景估计图像;采用自适应阈值算法从二者相减的差图像中分割出可能目标;其中小目标能量增强和背景估计采用并行处理结构.基于Visual C++6.0编程进行了实验,结果表明,算法对连续三帧768像素×576像素红外视频采集图像的处理时间为3.73s,较常规串行分割算法快一倍以上.
红外小目标 膨胀累加 背景估计 自适应阈值分割 并行结构
