XiaoMi-AI文件搜索系统
World File Search System图像处理
使用无人机系统 (UAS) 在茂密森林地区进行图像处理
推荐引用 推荐引用 Bhatt, P., Edson, C., & Maclean, A. (2022)。使用无人机系统 (UAS) 在茂密森林地区进行图像处理。 http://doi.org/10.37099/mtu.dc.michigantech-p/16366 取自：https://digitalcommons.mtu.edu/michigantech-p/16366
用于信号和图像处理的 VLSI 架构（...
硬件描述语言 (HDL)、Verilog 和 VHDL 在将这些算法转换为实时应用时起着至关重要的作用。在此阶段，必须将算法转换、综合并映射到给定的技术上。此外，还必须满足设计的面积、速度和功率约束要求。只有对数字电路设计有很好的理解，才有可能实现这一点。因此，本高端研讨会将介绍信号和图像处理领域中各种算法的 VLSI 架构。因此，本课程的目标是： 介绍信号和图像处理中使用的一些重要算法
用于图像处理的量子电路库 - Webthesis
如今，人们对模式识别和计算机视觉等应用的兴趣使得图像处理算法变得非常重要。然而，视觉信息量的快速增长对传统计算机目前可用的计算能力造成了压力。量子图像处理 (QImP) 专注于在量子计算领域提供传统图像处理策略的对应物，利用其固有的并行特性。多年来，已经提出了许多 QImP 算法来使用量子形式对图像进行编码和处理。尽管如此，在最先进的技术中，没有足够的空间对可用的技术进行直接和实际的比较。因此，当试图了解它们是否代表了相对于传统对应物的有效机会时，就会出现困难，尤其是考虑到当今量子硬件的局限性和非理想性时。本论文的目标是定义一个与 Qiskit（一种用于量子计算的开源软件开发工具包）兼容的 QImP 算法的 Python 软件库，使用户能够灵活地比较参考输入图像上的不同技术，并通过特定的性能系数分析它们的适用性。首先，对 QImP 的现有文献进行了初步研究，以确定最有前途的算法。然后，它们被实现为参数模块，并逐渐形成了库。Jupyter Notebooks 被认为是提供有意识地应用所提供算法的实用用户指南。支持技术的选择涵盖编码方法、基本处理工具、压缩和边缘检测算法，并考虑到量子硬件有限的计算资源和实际应用的可能性。所有实施的电路都进行了测试，既通过在经典计算机上进行模拟，也在真实的量子硬件上进行测试。考虑到几个用例，不同算法在应用中的优势和劣势已经得到证实。本论文为探索 QImP 场景奠定了基础，而由于其灵活性和模块化特性，实施的库提供了包含和描述新算法并将其与其他算法进行比较的可能性。
利用图像处理检测脑肿瘤
医学成像中的自动缺陷检测已成为多种医学诊断应用中的新兴领域。MRI 中的肿瘤自动检测非常重要，因为它可以提供有关异常组织的信息，而这些信息对于计划治疗必不可少。磁共振脑图像中的缺陷检测传统方法是人工检查。由于数据量巨大，这种方法不切实际。因此，可信的自动分类方案对于降低人类死亡率至关重要。因此，开发了自动肿瘤检测方法，因为它可以节省放射科医生的时间并获得测试的准确性。由于肿瘤的复杂性和多变性，MRI 脑肿瘤检测是一项复杂的任务。在这个项目中，我们提出了机器学习算法来克服传统分类器的缺点，即使用机器学习算法在脑部 MRI 中检测肿瘤。机器学习和图像分类器可用于通过 MRI 有效地检测脑中的癌细胞。
使用 MRI 图像处理检测脑肿瘤
脑内异常细胞的发育会导致脑肿瘤的形成。肿瘤可分为两类：恶性（癌性）肿瘤和良性（非癌性）肿瘤。癌性肿瘤可分为原发性肿瘤（始于脑内）和继发性肿瘤（或脑转移性肿瘤），前者从脑外扩散而来。根据脑部受影响的部位，所有类型的脑肿瘤都会引起各种症状。头痛、癫痫、眼部问题、恶心和精神障碍就是这些症状的几个例子。当所有其他检查都无法提供足够的信息时，MRI 适用于肿瘤检测。为了提供精确的图像，MRI 扫描利用了磁和无线电波特性。神经外科医生最常开 MRI 检查，因为 MRI 可以提供足够的信息来发现哪怕是最小的异常。
遥感图像处理和分析基准测试...
摘要 未来的太空任务将处理和分析机载图像，对飞行计算提出了更高的要求。即使与笔记本电脑和台式电脑相比，传统飞行硬件提供的计算能力也有限。新一代商用现货 (COTS) 处理器，如 Qualcomm Snapdragon，可在小尺寸重量和功率 (SWaP) 下提供大量计算能力，并以图形处理单元 (GPU) 和数字信号处理器 (DSP) 的形式提供直接硬件加速。我们在 Qualcomm Snapdragon SoC 上对各种仪器处理和分析软件（包括机器学习分类器）进行了基准测试，该 SoC 目前由国际空间站上的 HPE 星载计算机-2 (SBC-2) 托管。索引术语 — 边缘处理、空间应用、机器学习、人工智能
![初步沟通 基于人工智能的车载自动列车障碍物距离估计 Ivan ĆIRIĆ*、Milan PAVLOVIĆ、Milan BANIĆ、Miloš SIMONOVIĆ、Vlastimir NIKOLIĆ 摘要：本文提出了一种新方法，利用图像平面单应性矩阵来改进对摄像机和成像物体之间距离的估计。该方法利用两个平面（图像平面和铁轨平面）之间的单应性矩阵和一个人工神经网络，可根据收集的实验数据减少估计误差。SMART 多传感器车载障碍物检测系统有 3 个视觉传感器——一个 RGB 摄像机、一个热成像摄像机和一个夜视摄像机，以实现更高的可靠性和稳健性。虽然本文提出的方法适用于每个视觉传感器，但所提出的方法是在热成像摄像机和能见度受损场景下进行测试的。估计距离的验证是根据从摄像机支架到实验中涉及的物体（人）的实际测量距离进行的。距离估计的最大误差为 2%，并且所提出的 AI 系统可以在能见度受损的情况下提供可靠的距离估计。 关键词：人工神经网络；自动列车运行；距离估计；单应性；图像处理；机器视觉 1 简介 通过遵循自动化趋势，可以大大提高铁路货运的质量和成本竞争力，以实现经济高效、灵活和有吸引力的服务。今天，自动化和自主操作已经在公路、航空和海运中变得普遍。现代港口拥有自动导引车 (AGV)，可将集装箱从起重机运送到轨道旁、仓库、配送中心，而自动驾驶仪是航空公司和大型货船的标准配置，不需要大量机上人员。自动驾驶汽车和卡车的发展已经进入了一个严肃的阶段。此外，轨道交通自主系统的发展主要出现在公共交通服务领域（无人驾驶地铁线路、轻轨交通 (LRT)、旅客捷运系统和自动引导交通 (AGT)）。基本思想是使用一定程度的自动化，将操作任务从驾驶员转移到列车控制系统（例如 ERTMS）。根据国际电工委员会 (IEC) 标准 62290-1，列车自主运行 (ATO) 是高度自动化系统的一部分，减少了驾驶员的监督 [1]。对于完全自主的列车运行，列车操作员的所有活动和职责都需要由多个系统接管，这些系统可以感知环境并俯瞰现场，检测列车路径上的潜在危险物体并做出相应的正确反应 [2-6]。障碍物检测系统作为 ATO 系统的主要部分，障碍物检测系统需要根据货运特定和一般用例（例如 EN62267 和/或自动化领域的相关项目）来监控环境。为了满足严格的铁路标准和法规，障碍物检测系统 (ODS) 应在具有挑战性的环境和恶劣的能见度条件下工作。ODS 是一种具有硬件和软件解决方案的机器视觉系统（图 1），用于提供有关铁路上和/或其附近障碍物的可靠信息，并估算从系统到检测到的障碍物的距离 [7]。该系统需要实时运行，并在不同的光照条件下运行（白天、](/simg/4/4b79ebb2e692147077c5f05290fe6b1288b2aad1.png)
初步沟通 基于人工智能的车载自动列车障碍物距离估计 Ivan ĆIRIĆ*、Milan PAVLOVIĆ、Milan BANIĆ、Miloš SIMONOVIĆ、Vlastimir NIKOLIĆ 摘要：本文提出了一种新方法，利用图像平面单应性矩阵来改进对摄像机和成像物体之间距离的估计。该方法利用两个平面（图像平面和铁轨平面）之间的单应性矩阵和一个人工神经网络，可根据收集的实验数据减少估计误差。SMART 多传感器车载障碍物检测系统有 3 个视觉传感器——一个 RGB 摄像机、一个热成像摄像机和一个夜视摄像机，以实现更高的可靠性和稳健性。虽然本文提出的方法适用于每个视觉传感器，但所提出的方法是在热成像摄像机和能见度受损场景下进行测试的。估计距离的验证是根据从摄像机支架到实验中涉及的物体（人）的实际测量距离进行的。距离估计的最大误差为 2%，并且所提出的 AI 系统可以在能见度受损的情况下提供可靠的距离估计。 关键词：人工神经网络；自动列车运行；距离估计；单应性；图像处理；机器视觉 1 简介 通过遵循自动化趋势，可以大大提高铁路货运的质量和成本竞争力，以实现经济高效、灵活和有吸引力的服务。今天，自动化和自主操作已经在公路、航空和海运中变得普遍。现代港口拥有自动导引车 (AGV)，可将集装箱从起重机运送到轨道旁、仓库、配送中心，而自动驾驶仪是航空公司和大型货船的标准配置，不需要大量机上人员。自动驾驶汽车和卡车的发展已经进入了一个严肃的阶段。此外，轨道交通自主系统的发展主要出现在公共交通服务领域（无人驾驶地铁线路、轻轨交通 (LRT)、旅客捷运系统和自动引导交通 (AGT)）。基本思想是使用一定程度的自动化，将操作任务从驾驶员转移到列车控制系统（例如 ERTMS）。根据国际电工委员会 (IEC) 标准 62290-1，列车自主运行 (ATO) 是高度自动化系统的一部分，减少了驾驶员的监督 [1]。对于完全自主的列车运行，列车操作员的所有活动和职责都需要由多个系统接管，这些系统可以感知环境并俯瞰现场，检测列车路径上的潜在危险物体并做出相应的正确反应 [2-6]。障碍物检测系统作为 ATO 系统的主要部分，障碍物检测系统需要根据货运特定和一般用例（例如 EN62267 和/或自动化领域的相关项目）来监控环境。为了满足严格的铁路标准和法规，障碍物检测系统 (ODS) 应在具有挑战性的环境和恶劣的能见度条件下工作。ODS 是一种具有硬件和软件解决方案的机器视觉系统（图 1），用于提供有关铁路上和/或其附近障碍物的可靠信息，并估算从系统到检测到的障碍物的距离 [7]。该系统需要实时运行，并在不同的光照条件下运行（白天、
初步沟通 基于人工智能的车载自动列车障碍物距离估计 Ivan ĆIRIĆ*、Milan PAVLOVIĆ、Milan BANIĆ、Miloš SIMONOVIĆ、Vlastimir NIKOLIĆ 摘要：本文提出了一种新方法，利用图像平面单应性矩阵来改进对摄像机和成像物体之间距离的估计。该方法利用两个平面（图像平面和铁轨平面）之间的单应性矩阵和一个人工神经网络，可根据收集的实验数据减少估计误差。SMART 多传感器车载障碍物检测系统有 3 个视觉传感器——一个 RGB 摄像机、一个热成像摄像机和一个夜视摄像机，以实现更高的可靠性和稳健性。虽然本文提出的方法适用于每个视觉传感器，但所提出的方法是在热成像摄像机和能见度受损场景下进行测试的。估计距离的验证是根据从摄像机支架到实验中涉及的物体（人）的实际测量距离进行的。距离估计的最大误差为 2%，并且所提出的 AI 系统可以在能见度受损的情况下提供可靠的距离估计。 关键词：人工神经网络；自动列车运行；距离估计；单应性；图像处理；机器视觉 1 简介 通过遵循自动化趋势，可以大大提高铁路货运的质量和成本竞争力，以实现经济高效、灵活和有吸引力的服务。今天，自动化和自主操作已经在公路、航空和海运中变得普遍。现代港口拥有自动导引车 (AGV)，可将集装箱从起重机运送到轨道旁、仓库、配送中心，而自动驾驶仪是航空公司和大型货船的标准配置，不需要大量机上人员。自动驾驶汽车和卡车的发展已经进入了一个严肃的阶段。此外，轨道交通自主系统的发展主要出现在公共交通服务领域（无人驾驶地铁线路、轻轨交通 (LRT)、旅客捷运系统和自动引导交通 (AGT)）。基本思想是使用一定程度的自动化，将操作任务从驾驶员转移到列车控制系统（例如 ERTMS）。根据国际电工委员会 (IEC) 标准 62290-1，列车自主运行 (ATO) 是高度自动化系统的一部分，减少了驾驶员的监督 [1]。对于完全自主的列车运行，列车操作员的所有活动和职责都需要由多个系统接管，这些系统可以感知环境并俯瞰现场，检测列车路径上的潜在危险物体并做出相应的正确反应 [2-6]。障碍物检测系统作为 ATO 系统的主要部分，障碍物检测系统需要根据货运特定和一般用例（例如 EN62267 和/或自动化领域的相关项目）来监控环境。为了满足严格的铁路标准和法规，障碍物检测系统 (ODS) 应在具有挑战性的环境和恶劣的能见度条件下工作。ODS 是一种具有硬件和软件解决方案的机器视觉系统（图 1），用于提供有关铁路上和/或其附近障碍物的可靠信息，并估算从系统到检测到的障碍物的距离 [7]。该系统需要实时运行，并在不同的光照条件下运行（白天、
研究文章 人工智能识别技术在数字图像处理中的应用
人工智能技术是在计算机应用技术基础上派生和发展起来的一门科学和技术。图像识别是一种特殊的图像处理步骤，起着重要作用。只有在图像识别之后，才能进入图像分析和理解阶段。随着各种计算机技术的发展，图像逐渐成为并已成为人们重要的信息来源。计算机人工智能的使用越来越广泛，因此，了解其应用和相关研究更有利于为我们指明研究和学习的方向。本文旨在探讨人工智能识别技术的产生和发展，分析各类人工智能识别技术的应用瓶颈，以增加我们对人工智能技术的认识，为相关领域的研究提供参考。本文简单介绍了人工智能技术的类型及其新的发展趋势，并结合公共设施的具体图像，在传统方法的基础上改进了不同的计算机人工智能识别方法对图像识别处理的应用，并通过相应的仿真软件对处理和识别方法进行了分析比较，主要应用了两种方法，图像处理的识别错误率小于0.5；改进计算机人工智能识别技术对于分析其在图像处理中的应用有一定的帮助。预处理过程一般包括图像数字化、灰度化、二值化、去噪、字符分割等。在图像识别方面，算法主要有统计识别、语法识别、模板匹配等。近年来，随着神经网络和支持向量机技术的发展，图像识别技术有了新的更高的发展水平。
人工智能的应用——图像处理
彩色图像和不同的色彩空间。根据图像类型，我们可以讨论伪彩色处理（当颜色被分配灰度值时）或 RGB 处理（对于使用全彩色传感器获取的图像）。• 图像压缩和解压缩允许
使用数字图像处理技术在多个 T1 加权磁共振成像切片中进行脑提取
摘要 — 大脑是文献中多项研究的来源，主要是因为它对于预测和分析某些疾病或状况都很重要。从患者图像中提取大脑进行医学分析可能会提供有用的预后信息。为此，数字图像处理算法已应用于医学领域，重点是大脑的识别。这项工作提出了一个基于三个主要步骤的大脑提取框架：1）数据采集；2）预处理；3）最大连通分量提取。我们的数据是按照 OASIS 协议获取的。应用预处理步骤是为了增强对比度并消除 T1 加权 MRI 中的可能噪音。最大连通分量提取是通过首先检测图像中的最大元素（即大脑）然后通过数学形态学运算符提取它来执行的。无监督框架无需调整即可提取不同轴向切片中的大脑。这项工作的主要贡献是自动识别大脑。它使用不同脑切片中的大脑和数字处理算法。我们采用了五个指标来评估我们的结果：特异性、召回率、准确率、F 测量值和精确度。在我们的第一次实验中，两个指标的效率超过 90%（特异性和精确度），其中两个指标超过 80%（F 测量值和准确度），灵敏度超过 70%。我们的第二个实验将我们的工作与文献中的相关工作进行了比较，在灵敏度方面排名第 5，在特异性方面排名第 2