关键词： 计算机技术   图形图像处理   Photoshop  

摘要： 阐述Photoshop的应用特征,具有优化设计效果、应用范围广、专业性的特点。探讨Photoshop在计算机图形图像处理中的具体应用,包括在网页制作、动画情景、多媒体课件制作中的应用。

关键词： 计算机视觉   腰背痛   刮痧   痧象特征  

摘要： 目的提出痧象图片处理和分析的思路和方法,为痧象数字化研究提供参考。方法以计算机视觉技术为基础,以腰背痛患者背部痧象处理和分析为目标,提出痧象图片预处理、特征提取和筛选、痧象分析等系列方法,并进行实验验证。结果痧象预处理方法能够实现原始图像颜色校正和背部区域精准分割;特征提取方法提取了腰背痛患者94个痧象颜色和纹理特征,筛选得到20个关键特征;痧象分析方法能够找到与不同证候相关的关键特征。结论利用计算机视觉方法能够较好地完成痧象图片的预处理、特征识别和提取、痧象分析和理解,可以为痧象数字化和客观化研究提供支撑。

关键词： 目标跟踪   注意力机制   Transformer   Sparse Transformer  

摘要： 针对Transformer的自注意力机制计算量大、容易被背景分心,导致有效信息抓取不足,从而降低跟踪性能的问题,提出特征增强的Sparse Transformer目标跟踪算法。基于孪生网络骨干进行特征提取;特征增强模块利用多尺度特征图生成的上下文信息,增强目标局部特征;利用Sparse Transformer的最相关特性生成目标聚焦特征,并嵌入位置编码提升跟踪定位的精度。提出的跟踪模型以端到端的方式进行训练,在OTB100,VOT2018和LaSOT等5个数据集上进行了大量实验,实验结果表明所提算法取得了较好的跟踪性能,实时跟踪速度为34帧/s。

关键词： 目标检测   YOLOv3   CIOU   ASFF   Soft-NMS  

摘要： 针对水面上目标尺度多样、背景复杂等问题,论文提出了一种改进的YOLOv3算法。通过加上自适应特征融合ASFF网络结构,从而能够有效地融合不同尺度的特征,提高检测网络对于多尺寸目标的检测能力;通过使用CIOU损失函数,提高复杂背景下检测框的定位精度;通过利用软非极大值抑制算法Soft-NMS算法,解决了多目标重叠下目标框误删的问题。实验结果表明,论文提出的方法检测精度优于其他算法,而且对小目标的检测也有了一定的提升。

关键词： 计算机视觉   金属断裂监测   图像处理  

摘要： 阐述计算机视觉技术在金属断裂行为监测中的应用。通过图像处理和模式识别,实现对金属材料断裂过程的实时监测。提出基于深度学习的方法,有效识别不同断裂模式,为健康监测提供新途径。

关键词： 深度学习   水面目标检测   水面数据集  

摘要： 水面目标识别对水资源环境具有重要意义。综合当前基于深度学习的目标检测方法的发展历程以及在水面中的应用情况,对水面目标检测数据集及检测方法进行了研究。首先介绍了目标检测网络的发展历程。接着,对当前常用目标检测方法进行总结,阐述水面常用的公开数据集及水面目标检测算法的实际应用。最后,对基于深度学习的水面目标检测提出今后的研究方向。

关键词： 机器学习   深度学习   目标检测  

摘要： 四边形检测是图像处理和计算机视觉中的基础问题,它是许多更复杂形状检测和识别任务的基础。深度学习在图像识别和分类中已取得了很大的成功,但如何将其与传统的图像处理方法结合,以提高四边形检测的效率和准确性,仍是值得研究的问题。简述了自然场景中一种基于HED的四边形检测方法,首先使用灰度处理和二值化处理进行初步处理;其次对图像进行膨胀边缘并利用OpenCV库画出图片的轮廓;再次对图像求取凸包并利用多边形逼近的方法对轮廓进行噪声过滤;最后结合HED算法优化提取的轮廓进行矩阵判定。结果表明,该系统对四边形检测具有良好的效果。

关键词： 平顶光束   轮廓提取   均匀性   计算机视觉  

摘要： 平顶光束广泛应用于激光微加工领域,准确评价光斑能量集中区域的几何形貌与均匀性,是评判光束可用性的重要环节。获取光斑能量集中区域轮廓是分析其几何形貌的基础,平顶光束的光斑图像边缘特征不显著,常规方法难以获得包围光斑能量集中区域的轮廓边界。以激光剥离匀化整形光路中的平顶光束为例,采用自适应光斑轮廓提取算法获取光斑能量集中区域的轮廓,使用自适应灰度阈值预分割光斑图像的前景与背景,对最大连通区域进行凸包构造获得轮廓边界,基于此计算的多项几何形貌指标在包含外界噪声的测量光斑与无噪声理想光斑图像上具有一致的结果。在含明暗斑点及无规则沟纹的测量光斑与理想光斑图像上的对比结果表明,光强均方根对二者无显著数值差异,基于灰度共生矩阵计算空间灰度纹理特征,提出平顶光束的均匀性量化评价指标在测量光斑和理想光斑图像上具有显著的数值差异,有助于评估光路匀化整形效果。

关键词： 目标跟踪   孪生网络   离线训练   元循环优化   多尺度  

摘要： 离线训练的跟踪网络对目标多尺度特征的表征能力较弱,难以高效自适应目标外观变化.为此,提出一种基于元循环优化的多尺度感知孪生网络目标跟踪方法.首先设计一种高效的基学习器作为目标跟踪器,在此基础上,引入目标多尺度感知策略,通过构建残差分层使网络由粗到细地学习目标多尺度语义特征,增强模型对目标多尺度特征的表达;进而完成目标跟踪任务.其次,为了快速适应目标的表观变化,提出了元循环优化器来更新基学习器的模型参数,学习更有效的梯度更新规则,提高了模型更新的收敛速度.在5个数据集上实验证实本文方法在形变、遮挡、快速移动和背景干扰等复杂场景下仍然能够稳定地跟踪目标,大大提升了模型的跟踪性能.

关键词： 水稻   害虫识别   目标检测   YOLOv5   注意力机制  

摘要： 针对害虫体积小、种类繁多,且农田环境复杂等识别难题,提出一种基于YOLOv5的水稻害虫识别改进模型——YOLO-BiCa。引入BiFormer优化骨干网络,增强小目标的特征提取能力,同时精简网络结构,降低模型复杂度;在检测头融入坐标注意力机制(Coordinate Attention,CA),其通过结合通道信息和位置信息,提高模型的特征表达能力和性能,同时保持了轻量级和灵活性;在自建的水稻害虫数据集上进行试验。结果表明:YOLO-BiCa的mAP、Precison、Recall分别为86.2%、86.4%、81.3%。较原YOLOv5算法提高了4.5%、11.5%、2.5%。同时也比较了SSD、Faster RCNN等目前主流的目标检测算法,结果均有较大提升。YOLO-BiCa在提高检测精度的同时,模型参数量减少50%,有效实现了模型的轻量化与性能的平衡,为水稻害虫识别提供新的思路和方案。