基于深度学习和超像素分割的复材超声图像缺陷检测方法.pdf
论文****可爱
亲,该文档总共14页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于深度学习和超像素分割的复材超声图像缺陷检测方法.pdf
本发明公开了基于深度学习和超像素分割的复材超声图像缺陷检测方法,包括以下步骤:步骤1、对复材超声检测图像进行扩增形成训练样本集,基于训练样本集通过YOLOv3神经网络对复材缺陷进行特征检出与提取,得到缺陷目标检测包围框;步骤2、采用超像素分割方法对复材超声检测图像进行像素级分割,得到若干超像素分割子区域;步骤3、将包含缺陷的超像素分割子区域位于缺陷目标检测包围框外部的部分舍弃,将包含缺陷的超像素分割子区域位于缺陷目标检测包围框内部的部分保留并合并作为最终缺陷区域;步骤4、拟合最终缺陷区域的最小外接矩形作为
基于超像素分割的图像差异区域检测方法.pdf
本发明公开了一种基于超像素分割的图像差异区域检测方法,包括S1,利用sift算法对要比较的图像进行配准,使其变化到同一平面下,并将对应点的坐标一一对应;S2,通过高斯函数构建出源图像和目标图像各自的图像金字塔;S3,抽取目标图像金字塔最顶层的第一张图像,对其进行SLIC处理,将图片分割为多个信息相对一致的子区域;S4,对每个子区域进行差异化判别:对于每一个子区域的像素计算其梯度的大小、方向以及颜色信息,并将这3个维度信息与对应像素进行作差比较。本发明利用SLIC算法对图像进行区域聚类,以聚类的区域作为图像
一种基于深度学习的超像素分割方法.pdf
本发明公开了一种基于深度学习的超像素分割方法,具体包括针对编码器部分的网络过参数化、网络剪枝和解码器部分的TPT(Top‑down‑top)解码结构,本发明基于深度学习并具备端到端学习能力,具备与其他视觉任务更充分的融合能力,进而可以促进其它视觉任务的快速发展。该发明的方法步骤大体分为三个阶段:网络搜索策略中的网络过参数化阶段;网络搜索策略中的网络剪枝阶段;网络解码能力强化并重新训练阶段。本发明在编码器特征提取过程中的边界捕捉能力和解码器超像素分割过程中的结构保留能力均有提升,能有效减少错分割现象的出现,
基于超像素与分水岭的遥感图像深度学习分割方法及系统.pdf
本发明公开了一种基于超像素与分水岭的遥感图像深度学习分割方法及系统,通过利用超像素分割算法对遥感图像进行超像素分割,输出超像素分割结果图;利用语义分割类卷积神经网络对遥感图像进行地物分割,输出地物分割结果图;将每个超像素块的几何中心定义为种子点的位置,结合输出的超像素分割图和地物分割结果图,逐个统计计算超像素块内不同地物类别标签的占比数量,取占比最大的地物类别标签作为该超像素块种子点类别;将定义的种子点作为输入参数,利用分水岭算法对遥感图像进行地物分割,输出相同尺寸的地物分割效果图。本发明有效提高遥感图像
一种基于图像颜色和密度特征的超像素分割方法.pdf
本发明提供了一种基于图像颜色和密度特征的超像素分割方法,首先对图像进行RGB到CIELAB色空间的转换,再对像素进行聚类与合并处理。聚类参考了像素的颜色和密度值,然后进行超像素的合并处理,包括合并弱边界处的小超像素和颜色纹理属性相似的的超像素,得到了具有边界贴合度与规则度良好的超像素分割图像。本发明为了提高像素分割目标边界的贴合度、块规则度,也提供了一种观察分割图像的方法;通过去除分割图像的干扰颜色信息,保留图像纹理特征,可以直观的观察图像的分割质量,也加便于对图像进行评价。本发明可实现较好的分割效果,尤