一种评价自动目标检测算法性能的方法

提出一种自动目标检测算法性能的评价方法，设计了一种实景目标背景图像合成方法，由此可以得到满足测试目标检测算法性能的要求且度量参数调整方便的测试图像集，确定了１６个图像质量度量指标，建立了性能评价的响应函数模型，采用因子分析、多元相关回归分析和Ｌｏｇｉｓｔｉｃ回归分析方法，研究算法性能与图像度量的统计关系，实验表明，所提出的目标检测算法性能评价方法是合理的。     

基于试验设计的ATR算法的性能评价

在试验设计方法学的基础上，提出了一种定量评价自动目标识别算法性能的方法；给出了几种刻划场景变化的图像质量指标的定义和度量方法；提出了用响应曲面模型方法建立算法性能模型和描述图像度量与算法性能之间统计关系的方法．实验结果表明，仅需要少量的测试图像就可得到可靠的算法性能模型和可信的评价结果．     

基于试验设计的ATR算法的性能评价

在试验设计方法学的基础上，提出了一种定量评价自动目标识别算法性能的方法；给出了几种刻划场景变化的图像质量指标的定义和度量方法；提出了用响应曲面模型方法建立算法性能模型和描述图像度量与算法性能之间统计关系的方法。实验结果表明，仅需要少量的测试图像就可得到的可靠的算法性能模型和可信的评价结果。     

遗传算法在PCB板元件检测中的应用

介绍了一种基于图像模板匹配算法的PCB板元件自动快速检测方法．从实际应用出发，找到了一种合适的图像相似性度量方法．提出利用代间差分遗传算法优化其搜索匹配速度，给出了算法实现的全过程．用实际拍摄的PCB板元件进行了性能测试，验证了代间差分遗传算法能提高检测速度．     

几种典型红外弱小目标检测算法的性能评估

对基于中值相减滤波、最大中值相减滤波、最大均值相减滤波和推广的结构张量的红外弱小目标检测算法的性能进行了评估.针对传统评估方法的不足,提出了一种基于支持向量回归的红外弱小目标检测算法性能评估方法.利用该方法分别从图像背景特性和目标特性2方面对4种检测算法性能的影响进行定量分析和比较.实验结果表明,图像背景特性和目标特性对4种算法的检测性能都有较大的影响,而目标特性与4种算法的检测性能的依赖关系更明显;在4种评估算法中,基于推广的结构张量算法比其他3种传统红外弱小目标检测算法具有更好的鲁棒性.     

基于奇异值分解的无参考立体图像质量评价

针对非对称失真立体图像,提出了一种基于奇异值分解的无参考评价算法.该方法首先考虑人眼对空间频率变化敏感的特性和双目融合特性,对立体图像进行Gabor滤波,基于奇异值分解的融合策略生成融合图.然后,采用亮度加权直方图的局部二值模式算法分别对融合图、左右子图像提取特征,并将左右子图像的特征向量融合、采用欧几里得距离和夹角余弦进行向量之间的比较;为度量非对称失真差异,利用图像相似度算法计算左右子图像之间的相似性.最后,将融合图的特征向量、子图像的融合及比较特征向量、子图像的相似度特征向量级联,利用支持向量回归(SVR)算法完成特征到主观质量分数的回归映射.在LIVE3DⅡ、Waterloo-IVCⅠ和Waterloo-IVCⅡ立体图像库上对本算法进行测试.实验结果表明,本算法性能良好,优于目前主流的立体图像质量评价算法.     

基于峰谷点特征和红外目标自动识别方法

研究了红外目标图像峰谷点特征提取的方法,提出了一种目标识别相似性度量准则,证明了这种相似性度量在尺度和小角度旋转等变化情况下的不变性,并在此基础上提出了一种基于目标峰谷点特征的自动目标识别算法,真实场景下长波红外目标图像实验证明了该算法的正确性和有效性。     

基于峰谷点特征的红外目标自动识别方法

研究了红外目标图像峰谷点特征提取的方法,提出了一种目标识别相似性度量准则,证明了这种相似性度量在尺度和小角度旋转等变化情况下的不变性,并在此基础上提出了一种基于目标峰谷点特征的自动目标识别算法．真实场景下长波红外目标图像实验证明了该算法的正确性和有效性．     

基于JointBoost I2C距离度量的图像分类方法

基于图像到类(I2C)距离度量的图像分类是一种新颖的方法,但其分类性能仍有待提高.为此,文中提出了一种基于JointBoost I2C距离度量的图像分类方法.首先生成原型特征集,该集合中的样本具有代表性,故计算测试图像到该原型特征集的距离更有效;然后根据JointBoost算法的思想,联合多个I2C距离度量生成一个强分类器,并将空间信息融合到强分类器中.实验结果表明,该方法在图像分类实验中具有更高的分类性能.     

基于卡尔曼滤波器的背景抑制及小目标检测

提出了一种采用卡尔曼滤波器作为杂波背景预测器的小目标检测方法，相比较于传统的梯度下降算法，该方法充分利用了假设的杂波图像模型，并且算法中也没有影响检测性能的步长参数，因而具有更好的检测性能，实验表明，该方法能有效地抑制杂波，并同时增强小目标的信号。     

基于清晰度评价的自适应阈值图像分割法

阈值法是一种被广泛使用的图像分割方法.本文从图像中信息的变化情况出发,提出一种基于图像清晰度评价的新颖的自适应阈值分割方法.该方法采用清晰度评价函数作为阈值化后图像内灰度相似性变化的度量方法,通过反复迭代并结合皮尔逊相关性直至找到最佳的分割阈值.通过多组图像数据尤其低对比度图像,包括钢板表面轻微缺陷等图像进行了测试对比.结果表明:相比传统阈值分割方法及其改进算法,在低对比度图像的处理上,本文方法能够自适应地准确找到合理阈值,具有优异的图像分割性能.     

一种新的边界提取算法及其在接触角测量中的应用

提出一种基于子图像邻域梯度信息度量的边界提取算法,通过构造邻域信息映射矩阵并利用矩阵梯度信息度量值提取图像目标的有效边界,详细阐述了应用本文算法实现劣质液滴图像的边界检测及接触角测量的方法与步骤。实验结果表明:本文算法能有效地提取劣质液滴图像的目标边界,完成液滴接触角的自动计算,接触角计算结果与人工计算结果基本一致。     

基于人类视觉系统的特征相似性图像质量评价

为克服现有特征相似性(FSIM)图像质量评价算法对图像信息无序部分及边缘信息度量能力的不足,利用人类视觉系统的内在推导机制,提出基于人类视觉系统的特征相似性图像质量评价算法HFSIM.该算法采用自回归预测模型分解并解读图像内容的预测部分和无序部分;联合FSIM与边缘结构相似性算法度量预测部分,采用多尺度峰值信噪比(PSNR)度量无序部分的衰减情况,最后根据噪声能量融合图像信息预测部分与无序部分的评价结果得到图像质量评价.在6个公开基准数据库上的实验结果表明,该算法与人类主观感知具有高度的一致性,且在各类型失真图像的评价上具有较好的性能.     

基于滑动窗口的遥感图像人造目标检测算法

提出一种基于滑动窗口的人造目标检测算法.首先,根据图像的平滑性将整个图像划分为平滑与非平滑图像区域;然后,在非平滑区域随机生成一系列滑动窗口,并融合4种目标特征的度量准则构造一个判别滑动窗口目标性的评分函数,检测算法根据评分函数的取值判别窗口中是否包含人造目标;最后,在人造目标图像集上进行的实验表明:该算法能准确地检测出图像中的人造目标,并具有一定的抗噪声干扰能力.     

AdaBoost图像到类距离学习的图像分类方法

近年来,距离度量学习已经成为图像分类领域的研究热点之一,图像到类距离的度量作为其中的一种方法,取得了不错的分类效果.该方法是一种非参数方法,但由于缺少训练学习,其分类性能很容易受干扰因素的影响,为此提出一种基于AdaBoost算法的图像到类距离学习的图像分类方法 .首先将图像到类的距离进行阈值化处理,并使用线性分段函数作为图像到类距离的评价函数,然后将该评价函数作为弱分类器加入到AdaBoost算法中生成一个强分类器.为了选择最优的弱分类器,使用粒子群优化算法确定图像的相似性阈值,再基于权重错误误差最小化原则得到距离评价函数的两个评价值.最后通过实验验证,该方法在Scene-15和Caltech-101图像数据集上比其他方法有更好的分类效果.     

基于失真类型预测的图像质量评价方法

目的克服单个图像质量评价方法针对各种失真类型的性能表现不均衡的问题。方法首先从多个角度测量参考与测试图像的视觉相似性(包括人眼视觉系统,低层次视觉处理和本地纹理),接着分别利用粗糙集和支持向量机完成特征简化与图像失真类型预测,并最终根据测试图像所遭受的失真类型选取适当的质量评价算法。结果提出一种基于失真类型预测的图像质量评价算法。结论该算法在整体性能上要优于传统的图像质量评价算法,更好地体现了主客观评价的一致性;针对单个失真类型开发性能优的质量评价方法,可以进一步提升该算法的性能。     

基于交叉熵极小化的图像边缘检测算法

提出了一种自然图像边缘检测的算法,通过差分运算把边缘检测问题转化为目标检测问题,利用交叉熵极小化方法使背景区域和目标区域内的灰度级分布与差分图像灰度级的先验概率(广义高斯分布)相匹配,确定了背景与目标之间灰度分界阈值,检测出图像的边缘成分。实验表明,提出的方法具有良好的边缘检测性能。     

联合结构与纹理特征的无参考图像质量评价方法

提出了一种新的联合结构与纹理特征的无参考图像质量评价方法.将结构特征和纹理特征融合,共同作为支持向量回归的输入,建立图像质量评价模型.实验结果表明,所提出的新算法在2个混合失真图像数据库上的性能均优于已有的质量评价算法.     

一种基于分形测度的图像纹理边缘检测方法

从图像纹理特征的描述出发，通过分析不同纹理特征局部分形测度随尺度变化的差异，提出了一种新的基于分形测度的图像纹理边缘检测方法．并且给出了该算法用于边缘检测的实例．新的边缘检测算子中包含了图像的纹理特征和灰度特征，因此，它具有好的抗噪性能和局部化性能，适合于有噪背景下目标边缘的提取     

基于SSD的改进目标精定位检测算法

目标检测问题是计算机视觉中的热门问题,如何提高目标检测定位精度是检测过程中面临的一个难题。在SSD算法的基础上,通过结合选择性搜索算法,提出了一种提高检测定位精度的方法。该算法首先通过SSD算法框架对图像进行目标初始检测,获得目标粗略位置和目标类别,然后采用一种改进的选择性搜索算法对目标所在区域进行选择性搜索,生成目标边界候选框,最后采用文中提出的边界判断方法得到目标精确位置,完成由粗到精(Coarse-to-Fine)的目标定位检测。文中算法对PASCAL VOC2012数据集中的22 531张图像进行了测试,实验结果显示文中算法检测目标中心位置误差7.6,平均覆盖率90.8%,相比于其他算法,中心位置误差更低,覆盖率更高,能提高目标检测定位精度20%～30%。