基于流行排序的显著性检测改进算法研究

图像显著性检测是从单幅图像中检测出最突出的部分,由于现有的显著性检测算法只考虑了单尺度的问题,本文提出一种线性加权图融合的显著性检测算法。该算法首先利用超像素分割算法对图像进行多尺度分割,然后利用线性加权融合算法,得到最终的显著图。在数据集ASD和ECSSD上与当前流行的8种检测算法进行实验比对,结果表明,本文算法能获得更优的F-measure值和精确度,而且可以获得更加均匀准确的显著图。     

基于多图像与多分辨率的路面裂缝检测方法

路面图像的复杂性及裂缝信息的弱信号性导致对路面裂缝进行检测非常困难,为此提出一种基于多图像和多分辨率的路面裂缝检测方法.首先,在数据采集上,本文使用双摄像机对同一段路面于不同角度进行数据采集,光源分别使用定向光源和自然光源进行测试.其次,在裂缝检测上,使用金字塔变换对图像进行多尺度分解,再将每个尺度的分解图像阈值处理后重建为类梯度(gradient-like)图像,然后使用分水岭算法对类梯度图像进行分割,得到细化后的检测图像.最后,将同一块路面的两张检测图像进行融合,得到最终的检测图像.经试验证明,融合后的结果比单张图像检测效果更好,且使用多尺度的方法能更好保存图像的几何特性,很大程度提高了路面裂缝检测的可靠性和精度.     

基于FDST和MSS的红外与可见光图像融合

为了提高低可见度情况下红外与可见光图像融合质量,提出了一种基于有限离散剪切波变换(FDST)和图像显著性检测算法(MSS)的融合方法。利用显著性检测算法对红外和可见光图像进行检测。采用有限离散剪切波变换对红外和可见光图像进行分解。根据显著性检测结果中亮度越高的区域属于显著性目标这一特点,指导低频子带图像融合。高频子带图像采用"绝对值和取大"的融合策略。实验结果表明提出的融合方法在主观视觉效果和客观性能指标上均取得了较好的效果。     

基于FFT配准和多尺度融合的声纳图像拼接算法

针对声纳图像视野窄,无法一次性反映大体积目标或同时呈现若干目标完整视觉信息的问题,提出一种声纳图像拼接算法.该算法主要步骤分为:声纳图像配准和声纳图像融合.根据声纳图像高噪声和低分辨率的特点,采用FFT图像配准方法配准声纳图像.对于准确配准后的声纳图像,提出一种基于NSCT多尺度分解的声纳图像融合算法.首先,对源图像进行NSCT多尺度分解,得到一系列不同尺度和不同方向上子带分解系数;然后,根据声纳图像特殊性,构建声纳图像融合规则:分别对低频子带采用门限判别法,高频子带计算局部区域对比度指导融合规则,产生融合图像在相应尺度和方向的融合系数.最后,对融合系数进行NSCT多尺度逆变换,生成融合后的拼接图像.通过声纳图像拼接实验验证提出方法有效性.     

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.     

OPTFR多小波在红外／可见光图像融合中的应用研究

针对OPTFR(Optimum Time-Frequency Resolution,最优时频分辨)多小波,设计了一种平衡滤波器,将其应用于红外和可见光图像融合.对红外图像和可见光图像分别进行三层OPTFR多小波变换,提取两幅图像的低频分量和不同尺度的高频分量.由于图像的大部分能量集中在低频分量上,而不同尺度上的高频分量反映了图像在不同尺度上的细节信息,所以在对源图像融合时,对低频分量和高频分量分别采用能量和方差的加权平均进行融合,对这些融合后的分量进行重构,得到融合图像.仿真结果表明:和以往的融合算法相比,该算法强化了源图像的细节信息,提高了融合效果.     

基于小波变换的多尺度图像边缘检测

边缘作为图像的最主要特征,成为图像信息获取的重要内容.而小波变换具有检测局域突变的能力,而且可以结合多尺度信息进行检测,因此成为图像信息边缘检测的优良工具.文章首先构造了高斯多尺度边界检测算子,然后根据信号边界与噪声边界的小波变换模值跨尺度传递的不同特性,讨论了不同尺度的检测算子检测的边缘所具有的特点,在此基础上提出由边缘传递、继承和生长构成的多尺度边缘关联融合算法.实验结果说明这种特征提取方法不仅有效地降低了噪声,而且融合的边界比较完整,定位准确.     

基于深度残差网络的医学超声图像多尺度边缘检测算法

为提高医学超声图像在临床诊断的效果, 需先对图像进行优化检测和识别, 提出一种基于深度残差网络的医学超声图像多尺度边缘检测算法. 首先, 通过对原始医学超声图像进行自动标注, 构建医学超声图像灰度分布矩阵, 利用分布矩阵完成医学超声图像的多尺度分割; 其次, 构建医学超声图像多尺度边缘的轮廓模型, 提取多尺度图像边缘特征; 再次, 构建深度残差网络结构, 采用深度残差学习算法进行超声图像的底层图像信息融合; 最后, 对融合后的边缘图像数据进行多尺度边缘检测. 实验结果表明, 该算法的图像分割精度高, 特征提取准确率达80%以上, 图像边界中间断区检测效果较好, 边缘点查全性较高, 算法检测耗时短、收敛性强.     

多尺度融合背景与目标先验的显著性目标检测

为了解决当目标不在图像中心或者出现在图像周边时,基于中心先验或者背景先验的显著性检测算法往往会产生错误检测的问题,提出使用目标性作为先验信息得到前景显著图,并且利用乘法运算将其与基于背景先验信息计算的显著图相融合,然后进行空间优化得到单尺度下的显著图,最终显著图为多尺度显著图的加权融合.基于公开数据库的实验结果表明:与目前多种前沿算法相比,本文算法具有更优的检测性能,能够凸显整个显著性目标.     

基于动态引导滤波的多尺度图像融合算法

该文基于动态引导滤波器(RGF)提出了一种新的图像多尺度表示方法,并将其应用到图像融合技术中。首先,使用RGF将输入图像用多种尺度的子图表示;然后,基于显著性检测获得输入图像的权重映射;最后使用基于递归滤波的加权融合方法得到最后的融合图像。多组图像融合实验的比较结果表明,相比于其它基于多尺度分解的融合算法,本文提出的融合算法更好地保持了输入图像的细节信息,融合图像的视觉效果更好。     

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HSI的视觉注意力模型及其在船只检测中的应用

根据现有关于视觉心理学研究的相关成果和计算模型．提出了一种基于HSI颜色空间特征提取的视觉注意力模型．并应用于海上目标检测．首先把输入的RGB图像转换到HSI空间上．采用高斯金字塔和center-surround算子获得HSI三个分量下各自多尺度的视觉差异。通过对不同特征图的规格化和线性融合获得综合的显图．该方法应用于多种海上目标图像均取得较好效果．背景中的海浪杂波得到了有效抑制．提取得到的显区域包括了待检测的目标且范围较小。为后继的处理和分析提供了良好的基础．     

一种听觉显著图提取模型

本文基于人耳听觉特性提出了一种改进的自下而上听觉显著图提取模型.该模型根据人耳听觉系统对声音分频道处理以及声音信号时间方向的差异更能有效表征听觉显著性这两个特点进行显著图提取.首先对输入声音信号进行短时傅立叶变换(SFFT)得到声音信号的听觉图谱,然后重新划分频带并在各频带上采用一维高斯滤波器组进行不同尺度的时域滤波,再利用中心-周边差算子计算各频带的听觉显著度并进行跨尺度整和,最后将各频带的听觉显著度线性合并之后得到最终的听觉显著图.仿真实验的结果表明该模型提取的听觉显著图更准确.     

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。     

Research on wavelet-based algorithm for image contrast enhancement

A novel wavelet-based algorithm for image enhancement is proposed in the paper. On the basis of multiscale analysis, the proposed algorithm solves efficiently the problem of noise over-enhancement, which commonly occurs in the traditional methods for contrast enhancement. The decomposed coefficients at same scales are processed by a nonlinear method, and the coefficients at different scales are enhanced in different degree. During the procedure, the method takes full advantage of the properties of Human visual system so as to achieve better performance. The simulations demonstrate that these characters of the proposed approach enable it to fully enhance the content in images, to efficiently alleviate the enhancement of noise and to achieve much better enhancement effect than the traditional approaches.     

高铁轮毂表面缺陷的视觉显著性超像素图像检测方法

针对高铁轮毂表面缺陷实时在线检测问题,提出一种基于视觉显著性注意机制的超像素自适应检测方法。首先采用同态滤波器对缺陷图像进行预处理,去除环境光污染噪声引起的图像亮度分布不均匀问题,构建轮毂表面缺陷图像的谱残差视觉注意模型,之后采用超像素分割算法对缺陷显著性图像进行自适应阈值分割,标记出高铁轮毂表面缺陷的二维空间位置,实现轮毂表面缺陷的边界检测和形态估计。本文方法在高铁轮毂表面缺陷检测实验平台上进行了实验验证,结果表明：该方法能够有效抑制图像分割中的过分割问题,对缺陷的边界信息提取准确,鲁棒性较好。     

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。     

基于图像变差函数的多尺度边缘检测

文章基于变差函数的变程提出一种滤波尺度参数的确定方法。由于变差函数能反映图像数据的随机性和结构性特征,因而对图像边缘具有识别能力。文中算法根据变差函数的这种性质自适应调整多尺度边缘检测的尺度参数。实验结果表明它能很好地消除噪声而又将图像的细节检测出来。