摘要:针对显著性目标检测任务中识别结果边缘模糊的问题，提出了一种能够充分利用边缘信息增强边缘像素置信度的新模型。该网络主要有两个创新点：设计三重注意力模块，利用预测图的特点直接生成前景、背景和边缘注意力，并且生成注意力权重的过程不增加任何参数；设计边缘预测模块，在分辨率较高的网络浅层进行有监督的边缘预测，并与网络深层的显著图预测融合，细化了边缘。在6种常用公开数据集上用定性和定量的方法评估了该模型，并且与其他模型进行充分对比，证明设计的新模型能够取得最优的效果。此外，该模型参数量为30.28 M，可以在GTX 1080 Ti显卡上达到31 帧·s-1的预测速度。

摘要:针对远距离数字照相所采集的隧道衬砌裂缝图像自身特点，结合实验数据拟合标定曲线的相机标定方法，采用图像增强预处理、循环迭代法裂缝区域提取、数学形态学修整、亚像素边缘检测等图像处理手段，提出隧道衬砌裂缝识别及宽度量测新算法.经室内试验验证，当拍摄距离小于8 m时，算法精度较高，裂缝宽度量测误差一般小于0.40 mm；根据现场实际情况可知，该算法误差最大为0.37 mm，最小为0.08 mm，平均误差为0.20 mm，满足工程测量的要求.

摘要:根据路面图像存在的背景不均、损坏比例低和损坏方向不规则的问题,提出了适于路面损坏图像处理的边缘检测方法.在传统边缘检测方法的基础上,引入了预处理和边缘增强.其中预处理包括背景校正、高斯平滑、灰度直方图变换,并提出有效灰度区间的概念;边缘增强则采用了数学形态学的膨胀运算和中值滤波.针对路面损坏图像实例,采用8方向Sobel算子和最大类间方差分割算法,按照上述流程进行边缘检测.结果表明,该方法能有效降低噪声对路面图像处理的影响并最大限度地保留图像中的损坏特征,而背景校正和基于有效灰度区间的灰度直方图变换则是该方法的关键.对经过预处理的边缘图像,最大类间方差法可取得理想的分割效果.

摘要:对粗糙集理论在图像主要特征提取、图像自动识别与边界检测等方面的应用方法进行研究.采用地学实地野外调查中获取的彩色图像作为实验对象,选用表征颜色、纹理的17个特征属性作为条件属性构建决策表,通过属性约简、分类和规则提取指导图像处理,最终实现了对目标地物的分类分区增强处理及区域边界划分.实验结果表明:该方法可以较好地对图像进行分区处理和边界划分,结果较令人满意;并且得出影响实验图像分区的主要条件属性为蓝色标准偏差、红色方差、红色与蓝色相关性、彩色特征、对比度及熵.