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.     

一种基于区域显著性识别的红外图像增强方法

针对红外图像纹理细节不足和对比度下降的问题,提出一种基于区域显著性识别的红外图像增强方法.首先,通过构建红外图像显著性特征图,识别出红外图像中的显著区域和非显著区域.然后,对红外图像进行反转操作并基于暗通道先验估计出反转红外图像的透射图,再基于图像识别的结果对透射图进行修正.最后,基于简化大气散射模型获得增强后的红外图像,并基于细节改变先验进行边缘特征增强.采用了多种类型的红外图像进行试验,并将所提方法与多种当前主流红外图像增强方法进行了主观和客观对比.结果表明,所提方法具有较好的鲁棒性,且平均新增可见边比能达到4.15、平均对比度增益能达到6.47、基于人眼视觉的图像清晰度能提升33%.     

一种基于视觉显著性分析的视频转码算法

根据人眼视觉的特点,提出一种基于视觉显著性分析的视频转码算法.首先利用H.264码流中的运动矢量场进行全局运动估计和局部运动分割,然后结合编码比特数的分布特点生成最终的视觉显著性图,最后在转码的重编码过程中,利用视觉显著性图对非显著性区域进行自适应频率系数压制,以在保持视频主观质量的前提下进一步提高压缩效率.实验结果表明:与现有视觉显著性区域检测方法相比,本算法能更准确完整地检测出视频中的显著性区域;而与参考的标准转码算法相比,平均降低约14%的编码比特率,同时保持了几乎相同的主观质量.     

基于亮度划分MSR的视觉图像增强

针对复杂天气条件下多尺度Retinex(MSR)方法不能很好地体现图像的局部特征和细节,引入了基于亮度划分的预处理,实现了一种新的MSR方法.首先将彩色图像转换为更适合人类视觉系统的HSI颜色空间,提取亮度分量Ⅰ;然后用对数图像处理(LIP)模型将图像按亮度划分为不同的区域,对各亮度区域采用相应尺度的Retinex算法...     

基于IS模型的视觉显著性分析及算法改进

针对现有视觉显著性模型不具有普适性的局限性,本文分析了基于有效编码假说的视觉显著性IS模型,为解决IS模型描述大目标时显著性不理想的问题,利用该模型方法简单、计算量小、可行性好等优势,以相似区域分配相近显著性值作为约束条件,对该模型的算法进行了改进。实验结果表明:改进算法与原方法计算复杂度相当,平均运行时间为0.06 s,易于实现、计算量小,且与原方法相比其查准率提高3%、查全率提高2%,能有效检测出图像中的显著目标区域,具有一定普适性。     

基于视觉显著性的突变运动目标跟踪

针对突变运动下的目标跟踪问题,提出一种基于视觉显著性的粒子滤波跟踪算法.该算法将基于视觉注意机制的视觉显著图引入粒子滤波框架中,根据视觉显著图的显著性区域,按"胜者为王"和"返回抑制"机制进行目标检测,并以检测结果为全局建议分布进行粒子采样,从而完成全局状态空间的搜索,有效地避免了陷入局部极大值.同时,为增强目标区域在视觉显著图中的显著性,将自底向上和自顶向下的计算模型相结合,根据目标模板对各个特征显著图进行自适应权值计算,并按权值融合产生视觉显著图.实验结果表明,针对不同类型的突变运动跟踪场景,该算法均能表现出较好的鲁棒性.     

基于视觉显著性的空中目标检测算法

可见光低慢小飞行目标检测技术在军用民用领域有着特殊的意义,当视频背景中包含动态干扰、复杂云像等复杂情况时,检测诸如民用无人机等低慢小飞行目标十分困难,为此本文提出了一种基于视觉显著性的飞行目标智能检测算法,该算法首先通过帧间差分法提取运动信息,再利用改进SR算法对运动目标周边进行检测,检测时,首先通过局部复杂度分类模块对运动信息进行分类,排除地面的动态干扰信息,再提取目标邻域LAB空间中B通道图像,再对该图像进行云、天边缘部分提取,随后将其与SR算法的输出进行归一化做差获取最终检测结果。实验结果表明该算法在地空背景、复杂云像背景、过曝光背景中可以良好工作,并能达到实时处理需求。     

基于视觉显著性特征的自适应目标跟踪

为解决运动目标跟踪过程中候选目标信息描述单一的问题, 提出一种基于视觉显著性特征融合的自适应目标跟踪算法。提取目标颜色、颜色的变化、强度和运动信息构建目标四元数模型, 采用相位谱重建算法检测目标的显著图(Saliency Map), 并根据特征相似度大小自适应调整权值, 融合视觉显著性特征和颜色特征实现目标跟踪。实验结果表明, 该算法能有效克服部分遮挡和背景融合干扰, 从而实现复杂背景下目标的准确跟踪。     

基于模糊粗糙集理论的视觉特性图像增强

为了更准确地描述在图像增强中可能会出现的一些不完整性和不确定性问题,提高图像处理的效果,本研究提出了一种基于模糊粗糙集理论的视觉特性图像增强算法．该算法利用模糊粗糙集理论,依照图像的视觉特性,采用传统的图像增强方法进行图像预处理．实验结果证明,该算法比传统的图像增强方法效果更好．     

一种基于视觉适应性的图像增强算法

模拟真实场景反应在人眼中形成图像的过程,考虑到邻域间干扰、光照不均匀、媒介传递率下降引起的图像退化,提出了一种新的图像增强算法。依据对视觉现象中对比灵敏度、亮度适应能力和侧抑制现象的研究,建立了一种图像退化模型的视觉适应性模型,该模型求解方案包含3个过程:用于消除邻近像素相互影响,给人眼提供更多细节的去卷积过程;据锥细胞亮度适应能力提出的,为其工作提供最佳工作光照条件的亮度调整过程;模拟侧抑制机理提出的对比度拉伸过程。对比现有图像增强算法的增强结果,实验结果表明该方法的视觉适应性解,在增强图像细节、提升对比度、增强结果的视觉愉悦性方面取得了较大进步。     

基于毫米波的辐射特性数据库的建立

本文旨在针对影响辐射特性的各种地物材料因素,建立一个基于毫米波辐射特性温度的数据库模型．     

基于视觉显著性的织物起球客观等级评价

传统的主观织物起球等级评价容易受检验人员经验、心理等因素影响,难以满足准确评价起球等级的需要。在分析视觉显著性机制的基础上,提出一种基于视觉显著性的织物起球等级客观评价新方法。首先利用小波多层静态分解以及各子图之间选择性的中央-周边操作,提高织物起球的近似、水平及垂直细节信息的显著度;在此基础上,通过差分子图融合形成织物起球显著图。然后,根据织物起球特征所确定的阈值分割出织物起球兴趣区。最后,从兴趣区提取织物起球特征,并通过BP(back propagation)人工神经网络进行起球疵点客观等级评价。试验结果表明,该方法能够有效地进行织物起球疵点客观等级评价,并且具有较强的抗噪声能力。     

基于视觉显著性与对比度特性的图像质量评价

提出1种用于客观图像质量评价的新方法.分别对参考图像与失真图像进行高斯金字塔分解;对于分解后的每1层图像,采用基于相位谱的视觉显著图来计算2幅图像中每个对应像素点间的相似性,同时采用梯度图表示图像的对比度特性.视觉显著性和对比度特性互为补充,分别反映了人类视觉系统的不同特性,将2者加权相乘可获得单尺度的质量评价值;最后对各层结果进行综合可获得失真图像的客观质量评价值.在LIVE、TID 2008、CSIQ、IVC 4个公开的图像质量评价数据库上进行了大量的实验,结果表明,与其他相关的图像质量评价方法相比,提出的客观质量评价方法与人类主观评价的结果具有更好的一致性.     

基于视觉显著性的分块自适应压缩感知算法

针对SAR图像的压缩感知重建问题,在分块压缩感知框架的基础上,提出了基于视觉显著性的分块自适应压缩感知算法.在采样阶段,每个子块的采样率依据显著信息自适应的变化;在重建阶段,根据不同图像显著信息的差异,自适应地滤波.实验结果表明:该方法不仅重建结果的整体质量更优,视觉效果更好,而且在重建后的图像中能更好地保持边缘和目标等重要特征.     

基于视觉显著性和活动轮廓的图像分割

提出一种视觉显著性和传统的C-V模型相结合的图像分割方法,该方法首先提取图像的显著图,然后使用改进的自适应阈值法将显著图进行二值分割并提取边缘,并以此边缘作为C-V模型演化的初始轮廓.这样对于具有复杂背景的图像C-V模型可以从靠近目标物体的位置开始演化,从而得到较为准确的边缘,同时,也可以减少C-V模型的迭代次数.     

基于视觉显著性波段选择的高光谱分类

波段选择是一种能够减少高光谱图像数据量的同时不改变其物理信息的处理方式,然而,大部分波段选择方法都以选择信息量最大的波段子集为思路,而信息量最大的波段子集却并不一定在后续的分类中有着最佳表现.为达到更好的高光谱分类效果,引入视觉显著性方法,定义基于显著图的波段评价指标,以充分利用各波段图像的空间信息,结合固有的光谱信息...     

基于视觉显著性近邻投票的标签排序方法

针对社交图像的标签无序性问题,提出了一个新的标签排序方法.根据标签与图像内容的相关性,将社交图像的标签次序进行重排.基于图像显著性区域的视觉内容,用k近邻算法找到给定图像的视觉近邻,用近邻图像的标签列表对给定图像的标签进行投票学习每个标签的相关性,按相关性由高到低的次序对标签进行重新排列.与现有的方法相比,该文应用显著性模型找到与标签语义更加相关的图像近邻,增强了标签排序的准确性.实验结果表明,该文提出的方法得到的标签排序结果更加接近人工排序结果.     

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.     

基于多尺度多通道均值的视觉显著性检测

针对已有视觉显著性检测方法很难清晰地提取出图像的显著性区域、检测准确性不高的问题,提出一种基于多尺度多通道均值的视觉显著性检测方法.利用二维小波变换对图像进行小波分解和重构,用双立方插值对滤波后图像进行多尺度缩小,计算图像各个通道的均值,以图像与各个通道均值的距离作为图像的显著值,保留图像中显著值不小于其显著均值的部分,用双立方插值对图像进行放大并进行图像叠加,利用线性归一化得到最终显著图.结果表明所提出的方法能够清晰地提取出图像的显著性区域,提高检测准确性.     

基于视觉显著性特征的粒子滤波跟踪算法

针对复杂环境下的运动目标跟踪问题,提出了一种基于视觉显著性特征的粒子滤波跟踪算法.该算法利用显著性检测算法对序列图片进行检测,生成视觉显著图,然后利用二阶自回归模型对目标状态进行预测,再根据中心强化-四周弱化的机制,生成最终显著图.利用视觉显著图中目标区域像素值较大的特点,提取视觉显著性特征,与颜色特征进行自适应融合,从而完成跟踪.实验结果表明,该算法能够有效应对跟踪过程中出现的场景光照变化和目标姿态变化等问题,具有较强的鲁棒性.