结合NSST显著性检测及图割的泡沫红外图像分割
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.
图像处理、泡沫红外图像分割、非下采样Shearlet变换、图割、显著性检测
36
TP391(计算技术、计算机技术)
国家自然科学基金;福建省自然科学基金
2021-04-19(万方平台首次上网日期,不代表论文的发表时间)
共12页
584-595