为精确提取浮选泡沫表面的崩塌、新合成气泡,减少噪声和光照影响,提出一种结合非下采样Shearlet变换(NSST)域显著性检测及图割的泡沫红外图像分割方法。对泡沫红外图像进行NSST多尺度分解,采用GBVS算法对低频子带图像进行显著性检测,通过马尔科夫链特征差异计算显著性值,对各个高频方向子带进行噪声系数去除和边缘、弱边缘系数非线性增强。对处理后的多尺度高频子带、低频子带图像进行NSST重构,通过低频子带图像的显著性检测结果构建显著性约束项,采用高斯拟合函数构建气泡亮度约束项,然后构造图割能量函数,最后利用最大流/最小割算法对目标区域进行分割。实验结果表明:该方法受光照影响小,一定程度上解决了过分割和欠分割问题。正常浮选检测准确率为91.8%,欠浮选为87.1%,过浮选为88.9%,分割精度较现有方法有明显提高,能有效提取出崩塌或新合成的气泡,表现出良好的抗噪性,且在不同工况下均表现出良好的鲁棒性。
基本信息
题目 | 结合NSST显著性检测及图割的泡沫红外图像分割 |
文献类型 | 期刊论文 |
作者 | 陈诗媛,廖一鹏,张进,王卫星 |
作者单位 | 福州大学物理与信息工程学院 |
文献来源 | 液晶与显示 2021年04期 |
发表年份 | 2021 |
学科分类 | 基础科学,信息科技,工程科技Ⅰ辑 |
专业分类 | 矿业工程,无线电电子学,计算机软件及计算机应用 |
基金 | 国家自然科学基金(No.61471124,No.61601126),福建省自然科学基金(No.2019J01224)~~ |
分类号 | TP391.41;TN219;TD923 |
关键词 | 图像处理,泡沫红外图像分割,非下采样变换,图割,显著性检测 |
页码: | 584-595 |
总页数: | 12 |
文件大小: | 2591K |
论文目录
1 引言 |
2 NSST域显著性检测及增强去噪 |
2.1 泡沫红外图像的NSST分解 |
2.2 低频子带图像显著性检测 |
2.3 高频子带增强及去噪 |
3 基于显著性检测结果的图割方法 |
4 算法流程与步骤 |
5 实验结果与分析 |
6 结论 |
参考文献
[1] 基于区域生长的自适应红外图像火焰识别[J]. 南方农机 2020(05) |
[2] 基于红外图像识别的智能远程控制消防装置[J]. 今日消防 2020(01) |
[3] 基于雾线暗原色先验的红外图像去雾算法[J]. 红外技术 2020(06) |
[4] 基于生成对抗网络的红外图像数据增强[J]. 计算机应用 2020(07) |
[5] 基于迁移学习的红外图像分类[J]. 天津职业技术师范大学学报 2020(03) |
[6] 复杂海面的舰船弱目标红外图像提取方法[J]. 舰船科学技术 2020(18) |
[7] 一种多分辨多尺度的红外图像增强算法[J]. 激光杂志 2019(08) |
[8] 一种基于区域显著性识别的红外图像增强方法[J]. 江苏大学学报(自然科学版) 2019(06) |
[9] 基于密度相似因子的电力红外图像分割方法[J]. 红外技术 2017(12) |
[10] 基于融合技术的单幅红外图像增强方法[J]. 电子器件 2018(04) |
[11] 对受灾区域红外图像优化识别仿真[J]. 计算机仿真 2017(03) |
[12] 海上远距离目标探测中的红外图像增强算法[J]. 大连海事大学学报 2015(04) |
[13] 红外图像采集及特征提取技术的研究[J]. 激光杂志 2016(08) |
[14] 远程微小红外图像小差异特征分类算法仿真[J]. 计算机仿真 2015(07) |
[15] 红外图像影响因素及增强方法[J]. 农村科学实验 2017(03) |
[16] 基于大数据的舰船红外图像目标实时跟踪方法[J]. 舰船科学技术 2020(02) |
[17] 基于红外图像处理技术的钢构件损伤识别[J]. 红外技术 2020(03) |
[18] 一种红外图像增强算法在无人机巡检输电线路上的应用[J]. 电子设计工程 2020(16) |
[19] 基于引导滤波的自适应红外图像增强改进算法[J]. 光谱学与光谱分析 2020(11) |
[20] 红外图像特征的三维提取技术[J]. 激光杂志 2019(02) |
[21] 红外图像中快速运动目标的检测与跟踪方法[J]. 红外技术 2019(03) |
[22] 基于多感知的红外图像增强算法设计[J]. 信息与电脑(理论版) 2019(13) |
[23] 基于透射图融合的红外图像传感器信号增强方法[J]. 传感技术学报 2019(07) |
[24] 基于红外图像的船舶特征识别方法[J]. 舰船科学技术 2018(12) |
[25] 基于最小平均距离免疫算法的模糊红外图像分割(英文)[J]. 光谱学与光谱分析 2018(11) |
[26] 基于人眼视觉的红外图像增强算法研究[J]. 激光与红外 2017(01) |
[27] 针对边缘检测和数学形态学的红外图像增强算法[J]. 佳木斯职业学院学报 2017(01) |
[28] 一种可见光和红外图像加权融合最佳权值因子的确定方法[J]. 电子世界 2017(13) |
[29] 红外图像识别在舰船火灾中的应用分析[J]. 舰船科学技术 2017(20) |
[30] 一种基于实测数据温差扰动的红外图像实时生成方法[J]. 红外技术 2017(10) |
相似文献
[1]基于NSST与DBM的可见光与红外图像融合方法[J]. 朱平哲.  吉林化工学院学报.2019(03) |
[2]基于雾线暗原色先验的红外图像去雾算法[J]. 左健宏,蔺素珍,禄晓飞,李大威,李毅.  红外技术.2020(06) |
[3]基于生成对抗网络的红外图像数据增强[J]. 陈佛计,朱枫,吴清潇,郝颖明,王恩德.  计算机应用.2020(07) |
[4]基于迁移学习的红外图像分类[J]. 邓玲,张军,周宽.  天津职业技术师范大学学报.2020(03) |
[5]一种多分辨多尺度的红外图像增强算法[J]. 栾孟杰.  激光杂志.2019(08) |
[6]一种基于区域显著性识别的红外图像增强方法[J]. 顾振飞,袁小燕,张登银,孔令民,李想.  江苏大学学报(自然科学版).2019(06) |
[7]基于大数据的舰船红外图像目标实时跟踪方法[J]. 周林.  舰船科学技术.2020(02) |
[8]基于红外图像处理技术的钢构件损伤识别[J]. 邹兰林,许瀚文,周兴林.  红外技术.2020(03) |
[9]基于引导滤波的自适应红外图像增强改进算法[J]. 汪子君,罗渊贻,蒋尚志,熊楠菲,万李涛.  光谱学与光谱分析.2020(11) |
[10]基于多感知的红外图像增强算法设计[J]. 祁伟,李伟,陈钱.  信息与电脑(理论版).2019(13) |