超光谱成像已成为光学成像系统领域的最新趋势。在其他各种应用中，超光谱成像已被广泛用于分析印刷和手写文档。本文提出了一种有效的技术，用于估计超光谱文档图像中存在的不同但明显相似的油墨的数量。我们的方法基于无监督的学习，不需要数据集的任何先验知识。该算法在IVISION HHID数据集上进行了测试，并与文献中存在的算法状态达到了可比的结果。在超光谱文档图像中，在伪造检测的早期阶段使用时，这项工作可能是有效的。

高光谱成像是一种重要的传感技术，具有广泛的应用和环境科学，天气和地理/空间探索的地区的影响。高光谱图像（HSI）处理的一个重要任务是频谱空间特征的提取。利用多层网络（M-GSP）的最近开发的曲线图信号处理，这项工作提出了基于M-GSP特征提取的几种方法对HSI分段的方法。为了捕获联合光谱空间信息，我们首先为HSI定制一个基于张力的多层网络（MLN）模型，并为特征提取定义MLN奇异空间。然后，我们通过利用MLN谱聚类来开发无监督的HSI分段方法。通过MLN的聚类重新组合HSI像素，我们进一步提出了一种基于Superpixels的多分辨率融合的半监控HSI分类。我们的实验结果表明了HSI处理中M-GSP的强度和光谱 - 空间信息提取。

测量金属粉的纯度对于保留添加剂制造产品的质量至关重要。污染是最头痛的问题之一，可能是由于多种原因引起的，并导致造成的成分破裂和故障。冶金条件评估的现有方法主要是耗时的，主要集中于结构的物理完整性，而不是材料组成。通过捕获广泛频率范围的光谱数据以及空间信息，高光谱成像（HSI）可以检测到温度，水分和化学成分方面的较小差异。因此，HSI可以提供一种应对这一挑战的独特方法。在本文中，通过使用近红外HSI相机，引入了HSI用于非破坏性检查金属粉末的应用。详细介绍了三个分步案例研究的技术假设和解决方案，包括粉末表征，污染检测和带选择分析。实验结果已经完全证明了HSI和相关的AI技术对粉末冶金的NDT的潜力，尤其是满足工业制造环境的潜力。

在本文中，我们提出了一种无监督的方法，用于高光谱遥感图像分割。该方法利用了平均移位聚类算法，该算法将作为输入的初步高光谱超像素分割以及光谱像素信息。所提出的方法不需要分割类的数量作为输入参数，也不需要利用有关要分割的土地覆盖或土地使用类型的A-Priori知识（例如水，植被，建筑等）。进行了Salinas，Salinasa，Pavia Center和Pavia University数据集的实验。绩效是根据归一化信息，调整后的RAND指数和F1得分来衡量的。结果证明了该方法与艺术状态相比的有效性。

由于技术成本的降低和卫星发射的增加，卫星图像变得越来越流行和更容易获得。除了提供仁慈的目的外，还可以出于恶意原因（例如错误信息）使用卫星数据。事实上，可以依靠一般图像编辑工具来轻松操纵卫星图像。此外，随着深层神经网络（DNN）的激增，可以生成属于各种领域的现实合成图像，与合成生成的卫星图像的扩散有关的其他威胁正在出现。在本文中，我们回顾了关于卫星图像的产生和操纵的最新技术（SOTA）。特别是，我们既关注从头开始的合成卫星图像的产生，又要通过图像转移技术对卫星图像进行语义操纵，包括从一种类型的传感器到另一种传感器获得的图像的转换。我们还描述了迄今已研究的法医检测技术，以对合成图像伪造进行分类和检测。虽然我们主要集中在法医技术上明确定制的，该技术是针对AI生成的合成内容物的检测，但我们还审查了一些用于一般剪接检测的方法，这些方法原则上也可以用于发现AI操纵图像

视觉图形，例如绘图，图表和数字，广泛用于传达统计结论。直接从这种可视化提取信息是通过科学语料库，事实检查和数据提取有效搜索的关键子问题。本文介绍了自动提取与统计图表的比较变量的框架。由于图表样式，库和工具的多样性和变化，我们利用基于计算机视觉的框架来自动识别和本地化线图中的可视化面部，散点图或条形图，并且可以包括每个图的多个系列。该框架在Matplotlib图表的大型综合生成的语料库上培训，我们在其他图表数据集中评估培训的模型。在受控实验中，我们的框架能够以87.5％的准确性进行分类，图表变量与每个图形，不同颜色和实线样式的图表之间的相关性。部署在从互联网上刮掉的真实图表上，它的精度72.8％（排除“硬”图表时的准确性为72.8％）。部署在图答数据集上时，它的准确性准确度为84.7％。

花岗岩块的可追溯性包括用代表数值代码的有限数量的颜色带识别每个块。在整个制造过程中，必须多次读取此代码，但其准确性受到人为错误的约束，从而导致可追溯性系统中的故障。提出了计算机视觉系统，以通过颜色检测和相关代码的解密来解决此问题。开发的系统利用了颜色空间转换，以及几个阈值来隔离颜色。实施了计算机视觉方法，以及用于颜色识别的轮廓检测程序。最后，对几何特征的分析用于解密捕获的颜色代码。所提出的算法对在不同的环境条件下拍摄的109张图片进行了训练，并在一​​组21张图像上进行了验证。结果显示出令人鼓舞的结果，在验证过程中的准确率为75.00％。因此，提出的申请可以帮助员工减少产品跟踪中的错误数量。

中期图像的染色体分析和鉴定是基于细胞遗传学的医学诊断的关键部分。它主要用于识别遗传疾病和疾病的宪法，产前和获得异常。从中期鉴定染色体的过程是一个乏味的过程，需要训练有素的人员和几个小时才能进行。挑战尤其是在中期图像中处理触摸，重叠和聚集的染色体方面存在挑战，如果未正确进行分割，则会导致错误的分类。我们提出了一种自动化从给定的中期图像的检测和分割过程的方法，并在使用深层CNN体系结构中对其进行分类以了解染色体类型。我们已经使用了两种方法来处理中期中发现的重叠染色体的分离 - 一种涉及流域算法的方法，其次是自动编码器，另一种纯粹基于流域算法的方法。这些方法涉及自动化和非常最小的手动努力来执行分割，从而产生输出。手动努力确保了人类的直觉得到考虑，尤其是在处理触摸，重叠和聚类染色体时。分割后，使用深CNN模型将单个染色体图像分类为95.75 \％精度。此外，我们将分布策略从给定输出（通常可以在正常情况下的46个单个图像组成）中分类为单个类别，准确性为98 \％。我们的研究有助于得出结论，通过图像处理技术可以将参与染色体分割的纯手动努力自动化至非常好的水平，从而产生可靠且令人满意的结果。

Fruit is a key crop in worldwide agriculture feeding millions of people. The standard supply chain of fruit products involves quality checks to guarantee freshness, taste, and, most of all, safety. An important factor that determines fruit quality is its stage of ripening. This is usually manually classified by experts in the field, which makes it a labor-intensive and error-prone process. Thus, there is an arising need for automation in the process of fruit ripeness classification. Many automatic methods have been proposed that employ a variety of feature descriptors for the food item to be graded. Machine learning and deep learning techniques dominate the top-performing methods. Furthermore, deep learning can operate on raw data and thus relieve the users from having to compute complex engineered features, which are often crop-specific. In this survey, we review the latest methods proposed in the literature to automatize fruit ripeness classification, highlighting the most common feature descriptors they operate on.

通过捕获来自宽频率范围的光谱数据以及空间信息，高光谱成像（HSI）可以检测温度，水分和化学成分方面的微小差异。因此，HSI已成功应用于各种应用，包括遥感安全和防御，植被和作物监测，食品/饮料和药品质量控制的精密农业。然而，对于碳纤维增强聚合物（CFRP）中的病症监测和损伤检测，HSI的使用是一个相对未受破坏的区域，因为现有的非破坏性测试（NDT）技术主要集中在提供有关结构的物理完整性但不对的信息材料组成。为此，HSI可以提供一种独特的方法来解决这一挑战。在本文中，通过使用近红外HSI相机，介绍了HSI对CFRP产品的非破坏性检查的应用，以EU H2020 FibreeUSE项目为背景。详细介绍了三种案例研究的技术挑战和解决方案，包括粘合剂残留检测，表面损伤检测和基于COBOT的自动检查。实验结果充分展示了HSI的巨大潜力和CFRP的NDT的相关视觉技术，特别是满足工业制造环境的潜力。

这项工作提出了一种基于形态重建和启发式方法的聚集算法，称为K-Morphological集合（K-MS）。在最坏情况下，K-MS比CPU并行K-均值快，并且可以增强数据集的可视化以及非常不同的聚类。它也比对密度和形状（例如有丝分裂和三升）敏感的类似聚类方法更快。另外，K-MS是确定性的，具有最大簇的内在含义，可以为给定的输入样本和输入参数创建，与K-均值和其他聚类算法不同。换句话说，给定恒定的k，一个结构元素和数据集，k-ms会在不使用随机/伪随机函数的情况下产生K或更少的簇。最后，所提出的算法还提供了一种简单的手段，可以从图像或数据集中删除噪声。

我们向传感器独立性（Sensei）介绍了一种新型神经网络架构 - 光谱编码器 - 通过该传感器独立性（Sensei） - 通过其中具有不同组合的光谱频带组合的多个多光谱仪器可用于训练广义深度学习模型。我们专注于云屏蔽的问题，使用几个预先存在的数据集，以及Sentinel-2的新的自由可用数据集。我们的模型显示在卫星上实现最先进的性能，它受过训练（Sentinel-2和Landsat 8），并且能够推断到传感器，它在训练期间尚未见过Landsat 7，每\ 'USAT-1，和Sentinel-3 SLST。当多种卫星用于培训，接近或超越专用单传感器型号的性能时，模型性能显示出改善。这项工作是激励遥感社区可以使用巨大各种传感器采取的数据的动机。这不可避免地导致标记用于不同传感器的努力，这限制了深度学习模型的性能，因为他们需要最佳地执行巨大的训练。传感器独立性可以使深度学习模型能够同时使用多个数据集进行培训，提高性能并使它们更广泛适用。这可能导致深入学习方法，用于在板载应用程序和地面分段数据处理中更频繁地使用，这通常需要模型在推出时或之后即将开始。

我们提出了一种新颖的方法，该方法将基于机器学习的交互式图像分割结合在一起，使用Supersoxels与聚类方法结合了用于自动识别大型数据集中类似颜色的图像的聚类方法，从而使分类器的指导重复使用。我们的方法解决了普遍的颜色可变性的问题，并且在生物学和医学图像中通常不可避免，这通常会导致分割恶化和量化精度，从而大大降低了必要的训练工作。效率的这种提高促进了大量图像的量化，从而为高通量成像中的最新技术进步提供了交互式图像分析。所呈现的方法几乎适用于任何图像类型，并代表通常用于图像分析任务的有用工具。

除了固有的卵子因素外，孵化过程的质量影响了孵化速率的成功。消除不育或死鸡蛋以及监测胚胎生长是有效孵化场实践中非常重要的因素。该过程旨在对只有胚胎保留在孵化器中的卵进行分类，直到孵化过程结束。该过程旨在对胚胎进行分类，以保持孵化直到结束。最大检查是在孵化期的第一周完成。这项研究旨在检测卵中胚胎的存在并通过分割处理。使用基于实验室颜色图像的K均值算法对鸡蛋图像进行分割。图像采集的结果转换为实验室色彩空间图像。实验室颜色空间图像的结果是使用每种颜色的K-均值处理的。 K-均值过程使用群集K = 3并分为三个部分：背景，鸡蛋和蛋黄。蛋黄是具有胚胎特征的卵的一部分。这项研究在最初的阶段中应用了最初分割和灰度的颜色概念。初始阶段结果表明，基于实验室颜色空间的K均值聚类的图像分割结果提供了三个部分的分组。在灰度图像处理阶段，颜色图像分割的结果通过灰度，图像增强和形态处理。因此，很明显，蛋黄分段显示了卵子胚胎的存在。基于此结果，胚胎检测过程的初始阶段使用基于实验室颜色空间的K均值进行分割。该评估使用MSE和MSSIM，值为0.0486和0.9979；这可以用来引用所获得的结果可以检测到蛋黄中的胚胎。该方案可以用于对胚胎及其形态的非破坏性定量研究，以便将来在精确的家禽生产系统中。

本研究旨在使用支持向量机（SVM）分类器方法识别鸡蛋生育率。分类基础使用一阶统计（FOS）参数作为识别过程中的特征提取。该研究是根据该过程的识别过程开发的，这是仍然是手动（常规）的。虽然目前在识别过程中有很多技术，但它们仍然需要开发。因此，该研究是图像处理技术领域的发展之一。示例数据使用以前研究的数据集，共有100个鸡蛋图像。图像中的蛋对象是单个对象。根据这些数据，每个肥沃和不孕蛋的分类是50个图像数据。鸡蛋图像数据在图像处理中输入，初始过程是分段。此初始分割旨在根据对象获取裁剪图像。使用具有灰度和图像增强方法的图像预处理修复裁剪图像。这种方法（图像增强）使用了两种组合方法：对比度有限的自适应直方图均衡（CLAHE）和直方图均衡（HE）。使用FOS方法，改进的图像成为特征提取的输入。 FOS使用五个参数，即均值，熵，方差，偏振和峰氏症。输入了SVM分类方法的五个参数，以识别鸡蛋的生育率。这些实验的结果，识别过程中提出的方法的成功率为84.57％。因此，该方法的实现可以用作未来研究改进的参考。另外，可以使用二阶特征提取方法来提高其准确性和改进对分类的监督学习。

高光谱成像为各种应用提供了新的视角，包括使用空降或卫星遥感，精密养殖，食品安全，行星勘探或天体物理学的环境监测。遗憾的是，信息的频谱分集以各种劣化来源的牺牲品，并且目前获取的缺乏准确的地面“清洁”高光谱信号使得恢复任务具有挑战性。特别是，与传统的RGB成像问题相比，培训深度神经网络用于恢复难以深入展现的传统RGB成像问题。在本文中，我们提倡基于稀疏编码原理的混合方法，其保留与手工图像前导者编码域知识的经典技术的可解释性，同时允许在没有大量数据的情况下训练模型参数。我们在各种去噪基准上展示了我们的方法是计算上高效并且显着优于现有技术。

小麦是全球主要的主食之一。因此，必须衡量，维护和改善人类消费的小麦质量。传统的小麦质量测量方法主要具有侵入性，破坏性，并且仅限于小麦样本。在典型的小麦供应链中，有许多接收点，散装小麦到来，根据要求将其存储和转发。在此接受点，传统质量测量方法的应用非常困难，而且通常非常昂贵。因此，需要非侵入性，无损的实时方法来进行小麦质量评估。满足上述标准的一种这样的方法是用于食品质量测量的高光谱成像（HSI），也可以应用于批量样品。在本文中，我们研究了如何在文献中使用HSI来评估储存的小麦质量。因此，可以在单个紧凑的文档中提供所需的信息，以在澳大利亚供应链的不同阶段实施实时数字质量评估方法。

近年来，由于海洋漏油事故严重影响环境，自然资源和沿海居民的生活，近年来，漏油事件引起了人们的关注。高光谱遥感图像提供了丰富的光谱信息，这对在复杂的海洋场景中监测漏油物有益。但是，大多数现有方法都是基于受监督和半监督的框架来检测高光谱图像（HSIS）的漏油事件，这些框架需要大量努力来注释一定数量的高质量训练集。在这项研究中，我们首次尝试基于HSIS的隔离森林开发无监督的漏油检测方法。首先，考虑到噪声水平在不同的频段之间有所不同，因此利用了噪声方差估计方法来评估不同频段的噪声水平，并且消除了因严重噪声而损坏的频段。其次，使用内核主成分分析（KPCA）来降低HSIS的高维度。然后，用隔离林估计属于海水和油泄漏之一的每个像素的概率，并且使用群集算法在检测到的概率上自动生产一组伪标记的训练样品。最后，可以通过在减少尺寸的数据上执行支持向量机（SVM）来获得初始检测图，然后，使用扩展的随机Walker（ERW）模型进一步优化初始检测结果，以改善检测检测漏油的准确性。关于我们自己创建的空气传播高光谱漏油数据（HOSD）的实验表明，该方法在其他最先进的检测方法方面获得了卓越的检测性能。

The International Workshop on Reading Music Systems (WoRMS) is a workshop that tries to connect researchers who develop systems for reading music, such as in the field of Optical Music Recognition, with other researchers and practitioners that could benefit from such systems, like librarians or musicologists. The relevant topics of interest for the workshop include, but are not limited to: Music reading systems; Optical music recognition; Datasets and performance evaluation; Image processing on music scores; Writer identification; Authoring, editing, storing and presentation systems for music scores; Multi-modal systems; Novel input-methods for music to produce written music; Web-based Music Information Retrieval services; Applications and projects; Use-cases related to written music. These are the proceedings of the 3rd International Workshop on Reading Music Systems, held in Alicante on the 23rd of July 2021.

卫星图像构成了许多现实世界应用的高价和丰富的资源。但是，训练大多数机器学习模型所需的标签数据稀缺且难以获得。在这种情况下，当前的工作研究了一种完全无监督的方法，鉴于卫星图像的时间顺序，根据其语义属性及其随着时间的推移的进化而形成了地面的分区。图像序列被翻译成嵌入式瓷砖的多元时间序列的网格。这些瓷砖序列的嵌入和分区聚类以两个迭代步骤构造：在第一步中，嵌入能够根据地理位置邻域提取瓷砖序列的信息，将瓷砖分组为群集。在第二步中，通过使用簇定义的邻域来完善嵌入，并获得了瓷砖序列的最终聚类。我们通过进行纳瓦拉（Navarra）区域的20个卫星图像的序列（西班牙）的序列进行语义聚类来说明方法。结果表明，多元时间序列的聚类非常健壮，并且包含有关研究区域的信任时空语义信息。我们揭示了地理和嵌入式空间之间存在的紧密连接，并发现归因于这些类型的嵌入的语义属性被完全利用，甚至通过提议的时间序列的聚类来增强。