基于边缘信息结合空间权重的图像显著性检测算法研究

针对当前显著性检测算法普遍存在的背景噪声较多,目标区域检测不够完整等问题,提出了一种空间域的显著性算法.首先将输入图像进行超像素分割,以边缘信息作为背景先验区域集,通过计算超像素与背景先验区域集内超像素在颜色、亮度方面的差异,得到背景差异显著图;然后确定前景先验区域集,计算各超像素与前景先验区域集内超像素的差异性,得到前景差异显著图.最后融合两部分显著图;最后在此基础上构建视觉中心,围绕视觉中心确定各超像素空间权重信息,得到最终显著图.采用MSRA-1000数据库进行对照实验,结果表明本文算法的准确性更高,整体效果更好.     

利用视觉显著性的前景目标分割

针对图像中的前景目标分割问题,提出一种视觉显著性引导的前景目标分割算法.对原始图像进行预处理后分解为互不重叠的超像素区域.将这些区域构成一个无向图,相邻两个区域间存在边,通过计算相邻区域间的特征差异得到边的权值.提取图像边缘的超像素区域作为背景区域,利用无向图计算各超像素区域相对于背景区域的视觉显著性,得到初始显著图.对初始显著图进行改进和优化,根据视觉显著性计算结果采用自适应阈值进行前景目标分割.在公开的图像数据集MASR-1000、ECSSD、Pascal-S和SOD上进行实验验证,并和目前流行的算法进行对比.结果表明,本研究算法在查准率、召回率、平均绝对误差及F-Measure等方面优于目前流行的几种算法,用于图像和视频的前景目标检测与分割是正确有效的.     

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。     

基于多层图和紧凑性的显著性检测算法

针对传统的自底向上的显著性检测模型突出背景、前景区域不均匀以及显著目标位于图像边缘致使检测效果差等问题,提出了一种基于多层图和紧凑性的显著性检测模型。首先,将图像过分割为超像素,在超像素基础上结合图像块层和聚类层构建多层图模型,能够有效检测不同尺度的图像并获得均匀的显著区域。然后,基于紧凑性假设建立紧凑性模型,并采用元胞自动机优化。根据超像素的紧凑性筛选出可靠的前景种子点和背景种子点,基于多层图模型利用流行排序算法分别计算基于前景种子点和背景种子点的排序分数,从目标和背景的角度结合两种排序分数得到显著图。最后,对显著图进行滤波获得光滑的前景和背景区域,得到最终显著图。在常用的数据集MSRA-1000和ECSSD上与9种流行算法进行比较,实验结果表明该算法具有较高的准确率和召回率。     

基于超像素融合算法的显著区域检测

针对目前流行的显著性检测算法不能精确反映显著性信息的问题,提出一种基于超像素融合方法的显著性检测算法. 首先对图像进行超像素分割,在保证高质量的图像目标边缘信息前提下,建立以超像素为节点的图模型;然后计算超像素邻接矩阵,将该图模型转化为最小生成树模型. 通过OTSU算法自适应地确定最佳阈值,根据该阈值将最小生成树模型的部分节点进行融合,获得大超像素分割区域;最后利用大超像素的颜色和相互距离信息,获得高质量的显著性图. 实验结果表明,相对于其他检测方法,该算法可以更有效地检测出图像中的显著目标,并能达到接近分割的效果.      

基于边界扩展的图像显著区域检测

在显著区域检测中,背景先验已被证明有效。通常,图像的边界图像块被假设为背景,其他图像块根据与边界图像块之间的差异来确定显著性,差异越大则显著性越强。然而,当图像背景杂乱或者前景与图像边界有重叠时,仅仅利用边界图像块作为背景将会产生包含较强噪声的显著图,从而使得检测精度下降。该文首先将图像边界图像块向图像内部扩展,使其包含尽可能多的背景像素;然后,利用未扩展到的图像块作为前景查询项,采用二级排序算法来度量所有图像块的显著性。在3个公开的复杂显著区域检测数据集上的大量实验表明该算法优于其他5种算法。     

污染修复场地中基于显著性的目标检测方法

为解决污染修复环境中施工人员实时防护问题,提出使用基于改进的流形排序显著性检测算法对施工人员进行检测.首先,利用超像素分割对图像进行处理,建立适合的图模型;然后利用流形排序方法将图像各边界节点作为背景种子得到第一个显著图;再利用流形排序对第一阶段的显著图进行阈值分割,得到最终的显著图.实验表明,改进方法在视觉效果上与传...     

基于改进凸包和颜色对比度的彩色图像分割方法

基于特征对比度的显著性检测方法在处理复杂背景图像时,容易将对比度较高的背景区域误判为目标,导致分割结果不准确.为解决上述问题,提出了一种基于改进凸包和全局颜色对比度的彩色图像分割方法.首先以超像素为基本计算单元,根据图像颜色及其空间分布,计算基于颜色对比度的基本显著图;然后利用颜色增强Harris角点得到目标的凸包,并利用FH方法生成的超像素对凸包进行修正,以此为基础计算基于改进凸包的中心显著图;最后将上述2个显著图进行加权融合得到最终显著图,并使用大津法得到图像中的目标.通过在MSRA1000和ECSSD数据集上进行实验,结果表明本文算法相较于其他算法在可视效果和准确率、召回率等评价指标方面有明显的优势.     

基于超像素特征表示的图像前景背景分割算法

图像前景背景分割是图像处理中的关键技术,文中提出了基于超像素分类的二值分割算法。对于输入图像,首先采用超像素分割算法,将图像分割成多个保留边缘的封闭区域,即超像素;对每一块超像素,考虑颜色和纹理,构造一种对光照和颜色较为鲁棒的特征,来消除同种物体在光照和颜色差异下的影响;用所得特征训练分类器,判断每块超像素属于前景或背景;最后将超像素分类结果作为初值用图分割的方法进行修正,得到最终的二值分割结果。实验结果显示算法能较好的完成前景背景分割的任务。此外,本算法易于和现有的分类算法相结合,具有较强的可移植性。     

融合聚类与排序的图像显著区域检测

显著区域检测是计算机视觉领域中一个极具挑战性的问题。当前,多数显著区域检测算法通过直接计算图像中每个像素或图像块与其一定范围内邻域的差异来判断像素的显著性。当图像背景杂乱或者图像中的前景和背景有相似特征时,这些传统方法的检测性能明显下降。该文提出一个基于再聚类的显著区域检测算法框架:首先,利用聚类算法将图像过分割得到的超像素再聚类成多个超像素簇,其中提出了自动确定尺度参数和聚类个数的方法;其次,基于聚类得到的超像素簇,该文又提出一个自动选择可能的背景簇的方法,并将其作为排序算法中的查询项来估计全图的显著性。在两个差异较大的公开数据集上,该算法实现了相对稳定的显著区域检测结果,而且在部分性能指标上明显优于其他5种算法。     

改进凸包的贝叶斯模型显著性检测算法

针对传统贝叶斯模型算法对图像显著区域检测精度需要进一步提高的问题,提出一种改进凸包的贝叶斯模型显著性检测算法。首先,利用流行排序算法对图像进行前景提取,提取的前景区域作为贝叶斯模型的先验概率;其次,利用颜色增强的Harris角点检测算法检测图像在RGB,HSV,CIELab 3个颜色空间中的特征点,分别构造RGB,HSV,CIELab空间的凸包,求取3个颜色空间下的凸包的交集;再次,通过贝叶斯模型根据先验概率、凸包与颜色直方图结合得到的观测似然概率计算获得显著性区域图;最后,将新算法在两大公开数据集MSRA和ECSSD中进行测试。结果表明,新算法能够有效抑制背景噪声,完整检出显著区域,F-measure值在MSRA和ECSSD数据库中的测试结果分别为0.87和0.71,准确率-召回率曲线在复杂图像数据库高于传统经典算法。新算法改进了传统经典算法的检测效果,进一步提高了显著图检测的准确性。     

基于物体信息的图像显著性区域检测

针对目前图像显著性检测存在的显著性图边缘模糊、缺乏视觉高层信息等问题,提出了一种基于物体信息的显著性检测算法。将似物性计算与显著性计算相结合,可以将前景与背景分离,抑制高对比度干扰区域的影响。首先采用改进的L0平滑算法对图像进行滤波处理,然后通过超像素分割将图像分成若干图像块,再通过聚类算法进行合并,得到待检测图像块。采用似物性检测算法计算物体可能存在的区域,与待检测图像块进行融合,得到物体显著性图,再通过颜色对比度及空间分布特征计算显著性图,最后将二者融合,得到最终结果。实验结果表明,算法能够得到清晰的物体边缘,对图像的显著性区域能够较为全面地覆盖,有效地抑制高对比区域的干扰。     

基于图的流行排序的视觉跟踪

为了克服基于检测的目标跟踪中的模型漂移问题,在基于检测的目标跟踪框架下提出一种新的基于图的流行排序的目标跟踪方法。该方法能够抑制在跟踪过程中目标变形、尺度变化以及遮挡等带来的背景信息的影响。首先,把目标矩形框划分为不重叠的图像块,构造一个k-正则图,即以这些图像块为图结点,构造k-正则图,边权定义为结点之间的底层特征的相似性。其次,为每一个图像块分配一个权重,用于表示该图像块在目标表达中的重要性,以此抑制背景信息的干扰,并通过半监督的方式进行计算。特别初始化一些背景或目标图像块,设其权重为1,其他为0,通过流行排序算法计算所有图像块属于背景或目标的权重。此外,使用多尺度特征金字塔的方法处理跟踪过程中的目标尺度变化,同时提高了初始图像块的可靠性。最后,把所有图像块的底层特征进行加权,连接成一个向量,作为矩形框的特征表达,并使用结构化输出(Struck)算法进行跟踪。在几个公共视频序列上进行了实验,结果表明,研究方法的跟踪性能极大地超过了其他跟踪方法。     

基于前景概率函数的目标跟踪

针对不规则目标跟踪中初始窗口内包含背景像素导致特征模板不准确的问题,提出前景概率函数以及基于前景概率函数的目标跟踪算法.首先根据目标所在区域与背景区域的颜色分布建立前景概率函数,并以此计算目标区域中像素的前景概率,削弱背景像素的干扰,得到更准确的目标特征模板.将目标区域像素的前景概率引入均值迁移跟踪框架中,实现目标的迭代定位;在跟踪收敛后重新计算收敛区域中的前景概率分布,根据其反向投影图的尺度变化调整跟踪窗宽;最后利用Bhattacharyya相关系数对目标特征模板进行自适应更新.实验表明,该算法能够有效抑制背景像素的干扰,在目标尺度变化时能够准确调整跟踪窗宽,减少迭代次数,满足实时跟踪的需要.在复杂背景中跟踪性能也始终优于传统的均值迁移跟踪算法.     

一种新的背景模型建立及更新方法

提出一种新的建立背景模型和更新背景的方法．首先采用一种新颖的类Hausdorff距离建模方法建立初始背景，然后对每一输入帧使用背景差分法获得前景，并利用高效分类器创造性地将前景分类为运动目标、静止目标、虚假目标、噪声，最后在背景更新阶段使用基于前景目标的背景更新方法．实验结果表明，本方法能建立可靠初始背景，并能有效地解决背景更新“死锁”问题，增强背景模型的鲁棒性．     

Adaptive Contour Model for Real-Time Foreground Detection

A multiscale foreground detection method was developed to segment moving objects from a stationary background. The algorithm is based on a fixed-mesh-based contour model, which starts at the bounding box of the difference map between an input image and its background and ends at a final contour.An adaptive algorithm was developed to calculate an appropriate energy threshold to control the contours to identify the foreground silhouettes. Experiments show that this method more successfully ignores the negative influence of image noise to obtain an accurate foreground map than other foreground detection algorithms. Most shadow pixels are also eliminated by this method.     

水下距离选通降质图像的增强

针对水下距离选通成像所得图像的噪声大、照度不均匀、对比度差的问题,提出一种二次图像增强方法.首先,对图像采用全局二维双平台直方图均衡化,实现目标、背景、边界信息分别增强的目标,解决直方图均衡化带来的背景噪声提升、灰度简并的孤立性问题;然后,在非迭代引导滤波的框架下用带有估计误差抑制的Retinex算法二次增强图像,实现抑制背景噪声,平衡图像亮度的功能.以图像信息熵、统计评价指标进行对比实验,实验结果表明,该方法信息熵评价指标提升15%,统计评价指标提升28%,噪声抑制指标提升12%,增强效果明显,满足应用要求.      

采用精确抠图的单幅自然图像背景虚化合成方法

针对小光圈镜头下的单幅自然图像背景虚化问题,提出一种基于精确抠图的单幅自然图像背景虚化合成方法.首先,利用GrabCut算法对单幅自然图像的前景对象进行初始抠图;其次,采用基于局部二值模式算子的颜色恒常性算法提取图像纹理,并对初始抠图实现精确割图;然后,通过双边滤波虚化背景部分;最后,将精确分割后的前景部分与虚化后的背景部分合成.仿真结果表明：文中算法可以获得高质量的分割和视觉自然的背景虚化效果.     

时空对比度引导的视频显著目标提取模型

针对经典视频显著目标提取模型没有充分利用时域显著性线索,易受背景噪声干扰,提取的显著目标不完整等问题,提出了一种在时空对比度指导下的视频显著目标提取模型.首先,自适应融合RGB颜色空间对比度和运动对比度,确定显著目标的先验信息;然后,利用当前帧的前景提取项和邻近帧位置约束项组成能量函数,指导时空显著性线索融合;最后,通...