基于运动轮廓标记提取的分水岭运动目标检测

针对运动目标差分相乘产生的空洞问题,提出了一种基于运动区域轮廓信息和自适应标记约束的分水岭运动目标检测新算法,来实现移动机器人平台上较大运动目标的完整检测.首先,结合相位相关法和Fourier-Mellin变换配准图像的缩放和平移量;然后,利用运动区域轮廓信息和分层投影法来提取前景和背景标记.先通过连续三帧配准图像差分相乘方法检测出运动区域轮廓,并结合形态学腐蚀、膨胀操作和投影法生成前景和背景标记模板;再将前景和背景标记模板分为若干层,通过水平投影得到每一层轮廓的边界点,并按一定方式连接得到前景和背景标记;最后,根据重构的梯度图像,用标记约束分水岭分割出完整的运动区域.实验结果表明,该算法能够准确完整地分割出规则和非规则运动目标,具有较好的实时性.     

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。     

肤色检测结合Grab Cut的服装图像前景提取的改进

为解决全自动化Grab Cut算法应用于服装图像的前景提取时,无法去除模特肤色的干扰以及对一些复杂背景图像存在欠分割的问题,提出了新的前景提取方法:为有效去除模特肤色区域,提出了一种基于双边滤波去噪的肤色检测改进方法;为有效地去除欠分割区域,保留服装前景区域,提出了一种轮廓检测算法;将改进的肤色检测方法、轮廓检测算法与全自动化Grab Cut算法相结合,进行服装图像的前景提取. 实验结果表明:改进的肤色检测方法相比于现有的肤色检测算法,肤色检测的准确性明显提高;改进的前景提取算法的服装前景提取效果显著优于全自动化Grab Cut算法.     

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K-means和GVF Snake模型的纤维图像分割

在纤维图像自动识别系统中,分割出完整连续的纤维是纤维特征分析的必要前提.针对纤维图像的背景和前景灰度区别不大、光照不均对图像的影响等特征,提出融合K-means和GVF(Gradient Vector Flow)Snake模型的纤维图像分割算法.该算法以提取完整连续的纤维轮廓为标准,利用K-means聚类分割结果为GVF Snake模型的初始轮廓线,并对得到的存在毛刺的轮廓结果采用轮廓跟踪去除毛刺,从而得到完整连续的单根纤维图像.该算法不仅能有效解决传统图像分割方法对纤维图像分割的不连续问题,而且能有效抑制纤维图像中噪声的影响.     

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。     

基于帧间差分的ViBe运动目标检测

针对光线变化时现有前景检测方法易将背景检测为运动目标、形成大片阴影的问题,本文利用帧差法对光线变化的不敏感性,对基于ViBe的背景建模、前景检测算法进行改进。结合帧间差分的ViBe前景检测方法包括背景初始化、背景模型更新及后期图像处理三个模块。该方法在更新背景模型时,加入了帧间差分判别多阈值比较,并依据帧间差分的结果对背景更新率进行动态调整,最后对背景建模后的检测结果进行形态学处理,针对大的噪点进行轮廓提取及判定,最终检测出运动目标。针对不同条件下监控视频的试验结果表明,本文方法初始化速度快、实时性好,有效地抑制了由于光线干扰形成的大片鬼影区域。     

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。     

采取阶段性改进的全新ViBe目标检测算法

针对ViBe (Visual Background extractor)算法在目标检测过程中易产生鬼影问题和检测目标不完整问题,从ViBe算法处理过程的主要阶段出发,提出一种全新的ViBe目标检测算法.首先,在模型初始化阶段,利用前m帧视频序列对应像素点的均值构建背景模型,同时将原算法的8邻域改为24邻域进行样本选取以及动态调整匹配半径;然后,在目标检测阶段,引入最大类间方差法来计算当前图像帧的最佳分割阈值,进而对前景像素进行二次判别;其次,在背景模型更新阶段,根据背景变化快慢程度动态地调整更新因子;最后,对获得的前景图像进行形态学处理得到最终的前景目标.实验结果表明,改进后的ViBe算法使鬼影问题得到有效解决,目标检测的准确度和完整度也有大幅提高.     

Foreground Detection Based on Nonlinear Independent Component Analysis

Motionless foreground objects are key targets in applications of home care monitoring and abandoned object detection,and pose a great challenge to foreground detection.Most algorithms incorporate the motionless foreground objects into their background models because they have to adapt to environmental changes.To overcome this challenge,a foreground detection method based on nonlinear independent component analysis(ICA) was proposed.Considering that each video frame was actually a nonlinear mixture of the background image and the foreground image,the nonlinear ICA was employed to accurately separate the independent components from each frame.Then,the entropy of grayscale image was calculated to classify which resulting independent component was the foreground image.The proposed nonlinear ICA model was trained offline and this model was not updated online,so the method can cope with the motionless foreground objects.Experimental results demonstrate that,the method achieves remarkable results and outperforms several advanced methods in dealing with the motionless foreground objects.     

基于K-means算法分割遥感图像的阈值确定方法研究

当前遥感图像分割中阈值确定方法忽略了前景和背景内在的联系,导致过分割和轮廓模糊,造成整体性能低下。为此,提出一种新型基于K-means算法分割遥感图像的阈值确定方法,通过K-means算法对遥感图像进行分割,利用最大类间方差方法得到分割遥感图像的初始阈值,依据该阈值将遥感图像划分成两类,求出两类的均值,将其作为K-means聚类算法的两个初始聚类中心,通过K-means聚类方法逐次迭代,不断更新聚类中心,直至得到聚类准则函数,从而求出遥感图像的最佳分割阈值。实验结果表明,采用所提方法确定遥感图像分割中的阈值,不仅效率高,而且整体性能优越;将得到的阈值应用于遥感图像分割中,能够使目标和背景被有效分离,且分离后目标部分轮廓比较清晰。     

基于动态阈值选择和细化算法的角膜细胞轮廓抽取

角膜细胞图象轮廓提取的关键是分隔出细胞与背景,生成二值图象．由于角膜细胞图象的光照不均匀,用单一域值无法兼顾亮区与暗区．提出了一种基于动态域值选择和细化算法的角膜细胞轮廓抽取算法．首先对处理图象进行灰度平均和中值滤波平滑处理,消除细胞内部的不均匀性和保持细胞之间的边界;然后用动态域值选择算法分割细胞和背景;最后使用细化算法抽取细胞的轮廓．此算法应用于角膜细胞图象,处理结果证明了算法的有效性．     

基于HMAX模型和非经典感受野抑制的轮廓提取

针对图像里处于复杂纹理背景中物体的轮廓提取正确率低的问题,首先研究了基于非经典感受野抑制的轮廓提取算法和HMAX模型,然后利用HMAX模型所具备的具有基本视皮层功能结构的优点,弥补了前者所依据的生物学视觉结构比较简单的不足,最后提出并实现了基于HMAX模型和非经典感受野抑制的轮廓提取算法。通过与Canny算子和非经典感受野抑制的轮廓提取算法的评估比较,表明本文算法有效提高了轮廓提取的正确率。     

汽车智能驾驶系统中运动图像的实时检测与跟踪

采用CCD摄像机获取运动目标图像序列,用基于背景重建的运动变化,对运动目标检测;通过运动分割并求运动梯度计算出物体运动方向;利用目标的短时相似性,完成对目标的跟踪与识别,并进而实现对目标长时间的稳定跟踪,确定目标的运动规律,实现运动图像实时检测与跟踪的目的.基于上述运动目标检测跟踪算法,利用C++编写了实时处理程序,实现了动态单目标、多目标及不同方向运动目标的检测与跟踪.实验证明,本算法可以实现对单运动目标和多运动目标的实时检测与跟踪,具有很高的鲁棒性,效果良好.     

基于改进马尔可夫随机场探地雷达有效信号提取方法

针对探地雷达图像背景含有大量噪声导致有效信号提取识别困难等问题,提出了一种基于改进马尔可夫随机场结合大津算法的探地雷达去噪的方法。该方法先使用大津算法,将探地雷达图像数据二值化,划分出前景和后景图像,后对图像使用改进马尔可夫随机场结合迭代条件模式算法(iterated conditional mode, ICM)进行降噪处理,得到只含有效信号的二值图。将二值图像与带噪图像结合比对,使用中值滤波法降噪,最后得到优化后的探地雷达图像。根据实验结果,该方法在探地雷达数据降噪和有效信号提取方面均具有较好的效果。同其他传统方法和原始马尔可夫随机场降噪方法相比,该方法在探地雷达各类评价方法中表现最优,具体表现为信号单道波波形对比中拟合度最高,峰值信噪比达52.528 1 dB,结构相似度为0.998 1。使用结合二值图像的滤波图像,可以使图像波形更清晰。因此,该方法在使用探地雷达进行探测、探伤工程项目中有一定实用价值。     

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.     

基于内容的分形视频压缩方法

在小段视频播放中背景经常都是不变的,而只有前景对象在变动.针对视频这种特性,把视频压缩新标准MPEG-4中基于内容的概念与分形视频压缩编码相结合,提出了一种新的压缩方法———基于内容的分形视频压缩方法.该方法先将视频序列分割出前景对象与背景对象,然后分别针对分割出来的前景对象与背景对象进行压缩,而此时背景就可以只压缩一帧或者关键几帧.实验结果表明针对大背景的视频图像,该方法能够在保证压缩质量的情况下大幅度地提高压缩比.     

自然图像抠图方法讨论

自然图像抠图是一种把图像的前景部分从背景中分离出来的技术,它通过用户交互,指定图像中的少量部分前景和背景区域,并根据这些线索按照一定的判定逻辑自动、准确地分离出所有的前景物体.文章对若干代表性的抠图技术进行简要的介绍,同时对这几种技术的局限性以及发展方向做了简要的讨论.     

自适应背景建模及运动目标的检测

提出一种能在动态摄像机场景下检测前景物的算法(AGMM).本方法采用角点特征对前后两帧图像进行匹配,估算两帧图像的移动向量,并以此校正高斯混合模型(GMM),并在此基础上进行背景的重建以及前景物的分割.以不同场景的视频序列对本算法和GMM算法进行比较.实验结果表明,提出的算法能够适应动态摄像机场景,以牺牲一点复杂度为代价,大大提高检测精度,并且在摄像机移动比较大的位移时仍然可以得到正确的结果.     

基于模糊C均值聚类能量最小化的超声图像分割

 提出了基于模糊C均值能量最小化的活动轮廓模型.该模型首先对待分割图像进行模糊C均值聚类得到前景和背景的模糊隶属度值,然后将待分割目标的局部像素信息和它的隶属度值作为活动轮廓模型的水平集函数的初始值,改进了传统的求解Euler-Lagrange方程使活动轮廓的能量极小化的模型,利用快速算法直接计算模糊C均值能量最小化驱动传统活动轮廓模型的曲线演化.将提出算法与经典的活动轮廓模型分割算法比较,对仿真和临床的超声图像分割实验结果表明：提出算法能很好地分割像素不均匀、边界模糊、含有斑点噪声的超声图像,具有较好的分割性能和较快的分割速度.