图像分割的多尺度方法研究

Multi-scale entropy data classification method

多尺度有限元，主要包括多尺度有限元方法，非协调有限元方法，以及均值化方法

在高斯混合模型（Gaussian Mixture Model，GMM）训练时，对传统的模型参数初始化方法（随机法、K均值聚类法）进行改进，提出分裂法与K均值聚类相结合的新方法。实验表明，采用改进的方法

在对图像熵进行分析的基础上, 引入图像多尺度熵的概念, 定义了图像的多尺度熵及多尺度熵矢量, 提出了 一种基于区域的匹配跟踪算法—–基于图像多尺度熵的红外图像匹配跟踪算法. 首先计算图像的多尺度熵,

针对传统的单幅图像去雾算法容易受到雾图先验知识制约及颜色失真等问题,提出了一种基于深度学习的多尺度卷积神经网络(CNN)单幅图像去雾方法,即通过学习雾天图像与大气透射率之间的映射关系实现图像去雾。根据

扫描电镜(SEM)图像能够直观地显示微观世界。在SEM成像过程中,需要反复调整设备参数来保证图像的对比度,这个过程费时费力。提出一种基于多尺度的SEM图像对比度失真的无参考质量评价方法,指导成像参数的

针对红外热像图缺乏细节信息而导致电气设备热故障定位困难的问题，提出一种基于结构张量的多尺度梯度域可见光与红外热图像融合算法。采用多尺度变换与温升区域特征图构造梯度权重，结合带有梯度权重的结构张量与变分

图像分割任务中，传统的基于人工设计特征方法工作量大、复杂度高、分割精度较低，现有的基于全卷积神经网络（fullyconvolutionalnetworks，FCN）的方法在分割边缘上不够精细。为了提高

图像的多尺度几何分析:回顾和展望。论文PDF格式

提出一种基于多尺度语义分析的图像识别方法，首先在多尺度空间中提取语义，然后使用支持向量机对语义进行分类，以达到识别的目的。实验表明，该算法识别准确率高，并能适应存在方向变化、变形等复杂的识别环境。