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.     

基于视觉中心及超像素空间加权的图像显著性检测

针对现有显著性检测方法得到的显著区域不完整以及存在背景干扰的问题,提出一种空间域的图像显著性检测方法.首先将输入图像进行超像素分割,然后利用超像素图像的颜色和亮度信息获得差值显著图以及视觉中心,依据超像素种子点与视觉中心的位置关系获得空间权重,最后将各超像素块的显著值与其视觉空间权重相结合计算,以此得到最终的视觉显著图.与现有算法相比,方法既能得到精确的显著区域,保留边缘细节信息,又能有效地去除背景干扰,提高了检测精确度.     

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。     

基于流行排序的前景背景显著性检测算法

为准确提取图像显著区域,提出基于流行排序的前景背景显著性检测算法。首先,采用SLIC(simple linear iterative clustering)方法对经平滑处理的图像进行超像素分割。然后以超像素作为图中节点,采用自适应参数计算节点之间的权重以解决因采用固定值导致的图像效果不理想的问题。其次,在计算背景查询节点时,通过阈值剔除边界超像素中不属于背景的像素,以保留合适的查询节点,避免因显著目标位于图像边界而错把非背景像素标记为背景查询节点的问题。最后,因前景优先方法可以有效抑制背景噪声,而背景优先方法对背景噪声抑制不足,但可均匀突出前景目标。因此,采用相乘或者取平均的方式融合前景背景显著图以得到最终的显著图。在公开数据集MSRA、SED2及ECSSD上与其他算法进行实验对比,实验结果证明了算法的有效性。     

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.     

基于改进FCM算法的后照明图像分割与分级算法研究

后照明图像在白内障诊断和治疗中有着广泛的应用.使用计算机进行分割、分级,不仅省时而且可以得到客观的结果.针对已有算法在灰度不均匀、背景与前景灰度接近区域时无法有效分割的问题,提出一种基于改进FCM算法的后照明图像分割算法.在改进的算法中,首先计算超像素图像区域梯度信息,然后将超像素区域梯度信息归一化后作为权重引入到FCM算法中,充分考虑超像素图像区域信息和梯度信息,从而减少了这些区域的误分.实验结果表明,相比于已有分割和分级算法,本文提出的算法提高了后照明图像分割的准确率.     

一种自适应产生超像素个数的道路图像分割算法

针对超像素分割算法需要人为设置初始超像素个数和目标边缘分割不精确等问题,提出一种自适应产生超像素个数的道路图像分割算法。该算法主要包含超像素的获得和超像素的合并两阶段。在超像素的获得阶段,首先通过计算图像区域数对应的图像颜色分量直方图峰值个数自动获得初始超像素个数,然后基于简单线性迭代(SLIC)算法在图像过分割的基础上利用颜色分量最大差值对过分割超像素块进行欠分割检测与处理,实现超像素的精确分割。在超像素的合并阶段,通过融合超像素颜色和纹理特征建立超像素间相似度信息表,最后在结合空间位置相邻性的基础上实现超像素的合并。实验在自动驾驶场景评测数据集KITTI上对本文算法进行验证和测试。结果表明,本文提出的算法与其他道路图像分割算法相比,在总体精度、平均召回率以及F1值3个指标上均有较好的效果。     

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。     

多目标显著性区域提取算法

结合对象估计和超像素分割,提出面向多目标的显著性区域提取算法.首先,应用对象估计对图像中的多目标作初步检测,得到若干个显著性区域的初步结果;然后,再将这些显著性区域与超像素分割的结果作图像拼接,完善这些显著性区域;最后,将图像拼接的结果二值化,作为多目标显著性区域提取的最终结果.结果表明:所提算法可实现面向多目标的显著性区域提取.与3个经典算法的比较结果表明:所提算法在面向多目标显著性区域提取时更优.     

移动机器人级联超像素行人目标分割算法

针对移动机器人视觉应用中,复杂室内外环境下行人目标提取因背景干扰而导致主体轮廓失真的问题,提出一种基于超像素的级联式行人目标分割算法。利用超像素对目标边缘轮廓的吸附特性,第一级超像素在获取全局超像素区块的基础上,结合行人显著区域检测,计算第二级超像素区块的平均颜色距离和中心点空间位置距离相关度,从而获取行人目标轮廓的分割结果。仿真结果表明,该算法精确度与召回率统计平均为0.98,高于当下流行的其他显著目标分割算法,对行人目标检测分割性能具有良好效果,为行人目标跟踪等应用提供必要的预处理基础。     

基于方向特征对比的图像显著区域检测算法

人类视觉注意力模型的研究结果表明,颜色特征、方向特征等底层特征是影响人类视觉注意力的重要特征。最近学术界提出了一些基于全局对比的显著性检测算法,但是这些算法仅涉及到颜色这一底层特征,而没有使用方向特征。这就影响了这类算法对方向特征对比度强而颜色特征对比度弱的图像的检测性能。因此,本文提出了一种基于图像方向特征全局对比的显著区域检测算法。首先,将图像过分割为若干不规则的超像素作为图像显著性计算的基本单元,把图像超像素的LBP（Local Binary Patterns）统计直方图作为该超像素方向特征的描述。然后,计算图像超像素的方向特征的独特性和方向特征的分布性。根据图像超像素的方向独特性和方向分布性计算超像素的显著性。最后,将显著性值分配到图像的每一个像素点上。在现今国际最流行的两个数据集上进行实验的结果表明,该算法可以有效弥补只使用颜色特征的显著性检测算法的不足,从而达到较好的检测效果。     

基于改进的SLIC区域合并的宫颈细胞图像分割

针对现有细胞图像分割算法对噪声敏感,传统SLIC(simple linear iterative clustering)算法对边界分割不精确的问题,提出一种基于改进的SLIC融合区域合并的方法:首先对宫颈细胞图像进行均值漂移处理,消除细微噪声点;然后进行二维Otsu自适应阈值处理得到初始轮廓,应用SLIC算法得到超像素区域,并融合到原图中完成初始分割;最后,在初始分割图中进行初略标记获得交互信息,利用最大相似准则进行合并,不需要预先设定分割阈值,没有被标记的背景区域将成功合并到标记的背景区域,同时,没有被标记的目标区域会被识别出,有效地阻止与背景区域合并。对宫颈细胞图像进行大量的细胞质分割实验,结果表明本文算法能够在较短时间内准确识别出宫颈细胞的细胞质边缘。     

应用视觉显著性的快速有偏聚类超像素算法

针对正则化超像素方法的超像素数随边缘拟合要求迅速增长的问题,提出了一种有偏聚类超像素算法。结合人类视觉对目标专注程度不一的特点,在SLIC算法框架下,提出了基于视觉显著性的非均匀初始化方法和有偏聚类距离函数。算法在图像的显著性区域进行密集的过分割,保持目标边缘的细节信息,而在非显著区域仅生成稀疏的超像素,以降低分割块数,再通过一步全局聚类和边缘逐步细化过程,有效地保证了图像的边缘拟合,同时提高了算法的速度。实验表明,在相同超像素数下,所提算法在边缘查全率、欠分割错误率以及运行速度方面均优于传统算法。     

视觉显著性驱动的运动鱼体视频分割算法

针对养殖监控视频中运动鱼体目标检测问题,提出一种基于视觉显著性计算的运动鱼体视频分割算法.首先,将运动特征通道引入基于图论的显著性计算模型中,对多通道特征进行自动加权,生成全局视觉显著图.其次,利用基于方向梯度直方图的支持向量机分类器对显著区域进行目标确认,得到包含前景目标的感兴趣区域.最后,分割出运动鱼体目标,并将其标注在视频序列中.实验结果表明,所提方法在室内养殖监控数据集上能够很好地剔除水面杂波、反光等复杂背景干扰,实现运动鱼体的视频分割.     

基于全局和局部低秩矩阵分解的图像显著目标检测算法

针对视觉选择性注意机制中,在凸显注意力目标的同时还需抑制背景区域对显著性目标影响的问题,提出一种基于矩阵低秩分解的图像显著目标检测算法.该算法首先结合图像CIE Lab颜色空间对比度特征和图像纹理特征快速获取初始显著图,然后分别从全局和局部两个层次对其低秩分解并加权融合,最终实现对初始显著图中背景非显著信息的抑制得到最终显著图.与其他显著性算法的对比实验结果表明,本文算法在有效检测显著目标的同时,显著图中的背景仅含有少量非显著信息,显著目标更加凸显,为后期计算机视觉任务提供了一种良好的预处理过程,具有一定的理论和实际应用价值.