羽毛球运动训练的实证研究

为了提高和巩固羽毛球运动训练的效果,按运动训练学原理和数理统计方法,优化了训练方法,设计了实验方案.样本容量为取自两地的372人,各分成试验班和参照班以供对比.在样本的初始状态无显著性差异的情况下,经18周的训练和测试,数据采集和统计结果表明,在羽毛球击球手法基本动作方面,试验班的优势具有显著性意义,而在某些技术难度较大的项目测试中,则差异具有高度显著性意义,从而验证了新训练方法的科学性与高效性.运动技术水平平均分提高49%,典型项目达标时间缩短31%.     

基于色彩对比度的快速视觉显著目标分割方法

模仿人类视觉系统对显著色彩区域比较敏感的视觉注视机制,提出一种基于贝叶斯的显著性度量.利用像素点与其周围区域的色彩对比度衡量像素点的显著性,并根据显著性度量提出了基于graph cut的显著目标分割方法.在测试图像库上的实验结果表明,该方法可以从图像中提取具有完整轮廓的显著区域,并能准确分割出图像中的显著目标.     

融合运动和空间关系特性的显著性区域检测

为了解决传统视觉显著性模型在复杂现实场景中容易失效的问题,提出了一种融合运动和空间关系特性的显著性检测方法.在颜色对比度的基础上,引入图像中目标的空间深度关系和运动特征.首先建立深度显著性模型,并使之与颜色显著性融合获得空域显著图;然后通过分析运动矢量得到运动特征显著性,并采用加性融合和乘性融合联合的方式计算出最终的显著图.实验分析建立在多个立体图像数据库之上,量化评价和视觉观测均表明:本方法可以有效地提取显著性区域,检测效果优于传统方法.     

一种基于总变分与显著性检测的红外与可见光图像融合方法

红外与可见光图像融合是多源信息融合中的一个重要研究内容,它在军事侦察等方面有着广泛的应用.本文基于总变分模型和显著性检测方法,提出了一种有效的融合方法.首先,通过对红外与可见光图像的特征分布考察,构建了一个信息融合的总变分模型.其次,基于亮度对比度的显著性检测,给出了总变分模型中保真项权值的估计方法.实验仿真表明,无论是视觉观察还是客观评价,本文的方法均比一些现有方法体现了更好的结果.     

结合显著性和Graph cuts的肺区域图像分割

针对肺部CT图像灰度分布不均匀、各组织结构复杂导致难以准确地分割提取出肺区域的问题,提出了一种结合图像显著性和Graph cuts的肺区域自动分割方法.对10位病例的CT图像序列进行测试,结果表明:该方法可以自动完成肺区域分割,具有较高精度,且耗时较少.     

基于DCT块特征与背景先验的JPEG图像显著性检测算法

提出一种新颖的基于最短路径的JPEG图像显著性检测算法.算法在JPEG图像的DCT系数块中直接提取出灰度、纹理和颜色3种低层次图像特征;然后,通过计算其内部块到达图像边界的最短路径来得到最终显著性值;最后,在公开测试集MSRA-1000上与多种图像显著性检测算法进行对比.实验结果显示,方法在4种不同的评测标准上都优于对照算法,并且能够快速、高效地产生令人满意的显著性图.     

基于视觉显著性近邻投票的标签排序方法

针对社交图像的标签无序性问题,提出了一个新的标签排序方法.根据标签与图像内容的相关性,将社交图像的标签次序进行重排.基于图像显著性区域的视觉内容,用k近邻算法找到给定图像的视觉近邻,用近邻图像的标签列表对给定图像的标签进行投票学习每个标签的相关性,按相关性由高到低的次序对标签进行重新排列.与现有的方法相比,该文应用显著性模型找到与标签语义更加相关的图像近邻,增强了标签排序的准确性.实验结果表明,该文提出的方法得到的标签排序结果更加接近人工排序结果.     

融合注视点预测和流形学习的显著性目标分割

针对现有显著性分割算法在图像背景复杂时先验知识不够健壮的问题,提出一种融合注视点预测和流形学习的显著性目标分割算法,能有效地对复杂场景中的显著性目标进行分割.该算法通过引入注视点先验知识和提取超像素分割图,预测并粗分割场景中的显著性目标;为了进一步提高显著性分割的性能,利用色彩模型(CIE-Lab)空间的颜色对比度表示超像素的特征;通过基于流形学习的方法对粗分割区域进行显著性优化,提高了分割精度.实验结果表明:在处理复杂图像集过程中,相比其他分割算法,该算法性能提高了21.8%,并且在不同环境下的显著性目标分割的鲁棒性更好.     

基于变换域的显著性提取

为增强图像显著特征的可靠性和鲁棒性, 增加图像描述的准确度, 提出了一种利用离散余弦变换(DCT: Discrete Cosine Transform)和 Renyi 熵提取自然图像显著性的方法。 该方法充分利用了图像的频域信息, 通过MSRA1000 图像数据库进行性能测试。 实验结果表明, 该方法优于 5 种经典算法, 提高了显著性检测的有效性。     

基于显著性主动学习的SAR图像分类

SAR图像分类是实现SAR图像理解和解译的关键步骤,本文将显著性检测、主动学习和支持向量机分类技术相结合,提出基于显著性主动学习的SAR图像分类算法.该算法首先将基于卷积和下采样得到不同尺度的SAR图像;然后对各尺度SAR图像进行显著性检测,分为显著性区域与非显著性区域,最后对区域内像素提取特征,并由基于支持向量机的主动学习方法进行分类.实验结果表明:本文提出的方法极大提高了支持向量机分类的精度和效率.     

基于局部结构和视觉显著特征的红外和可见光图像泊松重构融合算法

研究了一种基于泊松重构的红外和可见光图像融合算法,算法在梯度域内实现图像信息的融合,可有效避免传统空域和变换域方法在融合图像中由于局部亮度不一致而产生伪边缘。另外,提出的算法在源图像梯度融合时,同时考虑了图像的局部结构显著和视觉显著特征,能够在保留源图像更多细节的同时突出输入图像的视觉显著目标信息。通过与其他最新融合算法的对比实验结果显示本文算法获得的融合图像既有突出的红外目标,又有清晰的可见光背景细节,并且不会产生伪影和噪声,同时客观评价指标也有显著的优势。     

基于高层先验语义的显著目标检测

为解决图像低级特征不能够均匀进行显著目标检测的问题，将高层先验语义和低级特征进行结合，提出一种新颖的基于高层先验语义的显著目标检测算法模型。利用深度卷积神经网络对输入图像以及显式显著性先验信息分别进行语义分割提取，得到显式显著性检测图；通过将图像中隐含的先验显著性特征与显著性值进行映射得到训练模型计算隐式显著性图；将显式显著性检测图和隐式显著性检测图进行自适应融合，形成均匀覆盖显著目标像素的精确显著检测图。为验证算法模型的有效性，将算法在具有挑战性的ECSSD和DUT-OMRON图像数据集进行实验仿真，实验结果表明，该算法的显著目标检测效果较其他方法有较为显著的提升。     

基于时空显著性检测的3D视频生成方法

为了解决3D视频生成方法在获取深度线索方面的难题,使用显著图代替深度图进行3D视频生成。显著图和深度图在性质上有所不同,但是显著图是通过视觉注意力分析得到的,因此也可以给予人眼良好的感官体验。为了得到更适合进行视频内容转换的显著图,将时间信息融入到了深度学习模型当中。通过实验证明了本文方法在两个广泛使用的视频显著性数据集上拥有很好的表现力,所生成的3D内容也具有良好的视觉效果,证明了基于显著性检测的3D视频生成方法具有一定的可行性。     

雨天图像中目标显著性检测算法设计与效果评价

雨天条件下,图像中目标的许多特征被掩盖,使得户外图像应用系统效能发挥受到严重的影响。为了提高雨天条件下图像中目标检测的质量,通过综合分析雨天图像中的目标特征,发现其亮度颜色信息、色彩差异信息和暗通道先验信息对目标的显著性具有高敏感度,进而提取了雨天图像中目标的显著性特征,构建了基于混合特征的目标显著性检测模型,最后通过多个评价指标的效能评估实验,与经典算法进行对比,验证了本文算法的有效性。     

基于视觉显著特征的人脸图像分割与跟踪方法的研究

将人脑视觉注意机制应用于人脸图像分割与跟踪中,提出了一种基于视觉显著特征的人脸目标分割与跟踪算法.该方法由三步完成：首先通过模拟人脑视觉注意机制迅速而准确地利用颜色、结构、梯度和位置等信息建立人脸显著特征图.其次,基于建立的视觉显著特征图,对人脸图像视觉显著特征进行学习和聚类,最终能够快速而准确地确认和分割出图像中的人脸区域.该方法突破了传统的逐点搜索的限制,通过一个几何模型和眼图模型对图像中的人脸区域进行搜索,大大提高了人脸候选区域搜索标记的效率,减少了后续处理工作.最后,通过分割出的人脸区域得到一个有效的边界特征图,并融合人脸显著特征图对人脸进行跟踪.实验结果表明本论文所提出的基于视觉显著特征的人脸图像分割与跟踪方法能够较有效地分割出人脸.     

基于图像边缘和对比度的显著目标检测

为了对自然场景中各类显著目标进行准确的检测,提出了一种结合图像边缘和多尺度对比度信息的检测方法。首先对图像进行快速双边滤波,在对图像平滑去除复杂纹理的同时保留物体结构边缘信息,然后用直线检测算子进行边缘检测得到边缘显著图。再利用对比度检测算子计算图像的区域对比度和全局对比度得到对比度显著图。融合边缘显著图和对比度显著图得到最后的显著目标图。实验表明该方法准确率高于大多数现有的显著目标检测方法。     

基于显著点的感兴趣区域提取及评价

为降低数据规模,提高图像处理的效率,针对感兴趣区域（ROD提取的问题,提出了一种基于显著点的ROI提取算法．利用视觉注意模型（VAM）得到显著图,聚类显著图二值化后提取到的显著点,同时将原图像二值化,并以聚类点作为种子点填充,提取原图像的二值化图轮廓后与原图像掩膜,得到图像的ROI．实验结果表明：该算法的总体效果良好,运算速度可与显著点的个数成线性关系．同时以眼动实验数据为参照进行分析与评价,该算法ROI漏分率至少降低50％,而误分率无明显增加．     

多尺度的图像显著性检测方法

为了提高显著性检测算法的准确性与鲁棒性,提出了一种基于多尺度融合的对象显著性检测方法.首先对图像进行平滑处理,过滤掉图像中的高频噪声特征,然后对图像进行尺度划分并分别采用不同的方法对不同尺度上的图像检测其显著性,最后根据条件随机场理论对不同尺度上的显著性检测结果进行加权融合,得到最终的显著性检测结果.在两种公共数据集上与多种经典算法进行定性、量化比较,结果表明该算法具有更好的表现.     

基于显著性疏表示的图像超分辨率算法简

提出了一种全新的基于视觉显著度和上下文稀疏分解的图像超分辨率算法。利用人眼视觉感知显著的区域往往趋向于高度结构化的特性,字典学习和稀疏分解过程中可以捕获更多细节特征。在字典学习部分,视觉显著区域提取出的图像样本用来训练显著字典。在先验模型的部分,由于视觉显著区域通常趋于高度结构化,基于上下文的稀疏分解被用来进一步探索相邻图像块之间的联系。实验结果表明,所提出的方法在性能上优于其他最新的方法,峰值信噪比（PSNR）增益最大。主观结果也显示,所提出的方法可以有效减少假影现象,并保持更多细节。