卷积特征图融合与显著性检测的图像检索

针对基于深度学习的图像检索提取特征往往包含了复杂的背景噪声,导致图像检索的精确率并不高的问题,提出一种特征图融合与显著性检测的方法.首先,训练用于分类的深度卷积神经网络模型.然后,并将图像卷积之后的特征图谱进行融合,得到图像的显著性区域.最后,通过计算图像显著性特征的余弦距离来进行检索.实验结果证明:相比目前主流的方法,文中方法能够有效提高检测精度,且鲁棒性较高.     

图像梯度与谱残差结合的显著性检测方法

针对图像显著性检测方法中存在的边界模糊、显著性目标不准确等问题,提出一种图像梯度与谱残差结合的显著性检测方法,图像梯度可以提取出图像的边缘和结构信息,而视觉显著性可以将梯度图中琐碎和复杂的背景过滤掉,两者结合可以快速地得到精细的显著性图,提出的算法简单、高效,实现了图像中显著性区域的准确定位与均匀突出,所得显著图可以更加方便地应用于后续的图像处理中.     

基于凸包计算和颜色特征的显著性检测算法

针对传统的显著性检测算法存在区域亮度不够、显著区域不准确、有背景噪声等问题,提出一种基于凸包计算和颜色特征的显著性检测算法.考虑到图像在不同的颜色空间中颜色取值范围不同,首先,在多种颜色空间经过超像素分割得到区域对比图;然后,在CIELAB颜色空间中得到平滑的通道差值图;其次,利用颜色增强的Harris形成凸包得到中心先验图以及凸包结构图;最后,将4种显著图特征融合并优化得到最终显著图.新算法更加接近人工标注图的结果,不仅能够从背景中分离出显著物体、抑制背景干扰和凸出显著区域,而且获得全分辨率的显著图.在公开的图像数据集上将新算法与其他现有8种显著性检测算法进行对比,实验结果表明,新算法优于其他算法.     

基于显著性检测的图像简化

图像简化作为机器视觉、计算机视觉中的一项重要任务,对于提高网络传输效率、加速视觉算法分析处理具有重要意义.针对传统图像简化模型中存在的目标、背景不加区分及尺度效应等问题,提出了一种新的基于显著性检测的图像简化模型,模型首先采用MB+显著性检测算法计算图像的目标显著区域,然后在CIE Lab颜色空间中对L波段上的背景区域进行快速水平集变换,最后按照设定准则合并背景中的非主导区域并输出简化后的图像.     

基于显著性加权颜色和纹理的图像检索

显著性体现了图像中像素区域引起视觉注意的强弱程度,在图像检索中具有重要意义。本文提出的基于显著性加权的图像检索方法不需要分割出显著性区域,而以显著性加权的方式建立了新的颜色特征和纹理特征,从而增加了显著性区域的颜色与纹理特征的权重。通过对4种主要的显著图的实验比较发现该方法能有效提高检索效果。     

基于颜色信息相位谱的显著性检测

为了快速搜索场景中的重要目标,依据人类视觉系统的特点,提出了一种基于颜色信息相位谱的显著性检测模型. 通过分析图像颜色相位谱信息,建立显著性图谱,它能够表示出场景中重要目标的位置. 实验结果表明,在复杂背景下,该算法能够较好地检测出和人类视觉相一致的重要区域.     

基于显著性保持的多聚焦图像融合

提出一种基于显著性保持的多聚焦图像融合方法.该方法首先利用显著性评测函数计算源图像的显著性特征,然后利用显著性系数构建融合图像的目标梯度,最后迭代求解得到融合图像.同时研究了利用显著性特征融合彩色图像中的色调和饱和度分量.多聚焦图像上的实验结果表明该算法相比较其他算法具有更好的融合效果.     

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.     

融合颜色与运动信息的视频显著性滤波器

根据人眼视觉的特点,提出一种融合颜色及运动信息的视频显著性滤波器.该滤波器分三个步骤检测视频图像的显著性区域:首先利用超像素分割算法将视频图像划分为若干视觉近似一致的紧凑子块;其次以统一的多维高斯滤波形式计算四个测度,分别表征每个子块的颜色独立性、颜色空间分布、运动独立性以及运动空间分布;最后同样通过多维高斯滤波对四个测度进行融合以生成视觉显著性图,进而检测出视频中的显著性区域.实验结果表明:与其他现有的显著性检测方法相比,该滤波器能更准确地检测出视频中的显著性区域.     

基于多特征和流形排序的显著性检测

显著性检测近年来得到广泛关注,其中基于流形排序的显著性检测取得了较为理想的效果。但该方法用颜色平均值来描述图像单元,这就使得图像单元内的细节信息被忽略。此外,根据人类视觉系统,人眼对颜色、纹理等多种特征敏感,而单一的颜色均值信息只能从单一角度描述图像,不能够全面立体地刻画图像内容。因此,提出了采用多个特征从多个角度对图像内容进行刻画。在公共数据集上的实验结果表明,所提出方法能够得到较好的检测效果,优于所有对比方法。     

基于色差梯度的彩色边缘检测方法

彩色图像有亮度、色调和饱和度的信息.为了充分利用彩色图像丰富的信息,在L*a*b*颜色空间中.利用色差梯度算子对彩色图像进行边缘检测.该方法能检测出更符合视觉特性的彩色边缘.实验结果证明了这种方法是有效的,优于基于灰度的边缘检测方法.     

基于肤色模型与人脸结构特征的人脸检测

人脸检测是自动人脸识别中的关键环节.提出了基于人脸肤色模型和人脸结构特征的人脸检测.首先利用人脸图片样本,提取肤色像素,建立肤色CbCr高斯模型.根据高斯肤色模型求得人脸似然图,并采用最佳阈值对之进行二值化.之后再采取形态学处理,除去部分非人脸区域,分割出待定人脸区域.最后根据人脸的结构特征进行再次筛选,得到人脸区域.此方法运用在一般的人物照片中都能达到比较理想的效果.     

基于多特征融合的显著性跟踪算法

针对在线视觉跟踪中的高效特征提取以及模型漂移的问题,提出了一种基于显著性检测的核相关滤波器(KCF)跟踪算法。将颜色特征(CN)和方向梯度直方图(HOG)进行加权融合;并自适应地调节每种特征的权重。对于模型漂移问题,受生物视觉机制的启发,通过视觉显著性算法获得目标的显著区域;并在该区域内进行采样,实现了全局范围搜索,避免陷入局部极大值。此外,引入了一种基于关键点的模型来解决目标尺度固定的问题。为验证提出算法的有效性,在50个视频序列上与近年来的5种优秀算法进行了对比。实验结果表明,与以往算法相比,该算法在成功率和中心位置误差上都取得较好的效果;而且能有效地缓解目标模型漂移问题。     

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。     

结合图像全局和区域特性的显著性检测

结合现有的显著性检测理论,针对基于全局对比度方法的不足,提出了以HC方法为基础并引入区域显著性与预处理的简单有效的能产生完全分辨率显著图的方法.在ASD测试集上进行了测试,结果表明:此方法取得了接近甚至高于现有一些方法的结果,并且具有较少的计算时间.     

基于视觉显著性及多特征分析的目标检测

针对视觉显著性分析不能辨别目标且单个特征描述目标具有局限性的问题,提出基于视觉显著性及多特征分析的目标检测.首先,对已标定训练图,生成遍历整幅图像的随机采样区域,通过多特征分析获取每个区域包含目标可能性的先验参数信息;然后,对测试图,依据上述先验信息,基于贝叶斯模型计算每个随机采样区域包含目标可能性的评分值,并将值高的若干区域标记为目标候选区域;最后,结合显著性分析及判别准则,对候选区域进一步判定,以确定最大可能涵盖目标的区域,从而实现目标检测.研究结果表明:显著性分析具有对目标所在区域的主动选择性;多特征结合能有效描述目标以使目标更具可区分性.     

基于视觉显著性的彩色图像分割

为了提高图像显著性检测的准确性,从数学模型上探索显著性的多特征空间.利用多尺度特征提取算法获得低层视觉特征,对特征矩阵用低秩矩阵恢复理论提取显著图,并在自底向上模型基础上融合了高层视觉特征,由高层视觉特征构成一幅权重的显著图.提高了显著度和显著目标的检测性能.通过自适应阈值算法对视觉显著目标进行分割.实验结果表明,该模型比传统的模型提取的显著目标更完整、更准确.     

基于优化查询的改进显著性检测算法

传统的基于图的流行排序算法,仅利用图像的边界作为背景查询,其查询选择的准确率直接影响算法的 结果,为此提出一种改进算法,利用现有算法的检测结果为基础,对前景与背景种子点的选取进行优化。 首先,对图像进行超像素分割,充分利用图像的中层信息; 其次,对图像利用流行排序算法计算图像显著图; 最后,对显著性结果进行处理,选取更优的查询点,得到最终显著图。在CSSD( Complex Scene Saliency Datase) 和ECSSD( Extended Complex Scene Saliency Datese) 数据集上与8 种算法进行比较,实验结果表明,该算法具有 更高的检测准确率。