基于色彩对比度的快速视觉显著目标分割方法

模仿人类视觉系统对显著色彩区域比较敏感的视觉注视机制,提出一种基于贝叶斯的显著性度量.利用像素点与其周围区域的色彩对比度衡量像素点的显著性,并根据显著性度量提出了基于graph cut的显著目标分割方法.在测试图像库上的实验结果表明,该方法可以从图像中提取具有完整轮廓的显著区域,并能准确分割出图像中的显著目标.     

基于区域对比的图像显著目标检测

针对具有杂乱背景图像的显著目标检测问题,提出了一种无需任何先验知识,通过分析计算区域平均显著值的对比度来提取显著目标的方法.根据显著图,计算出显著目标的最小边界框与其周围区域的显著性差异,且通过折半查找的方法加快搜索的收敛速度.结果表明,该算法能迅速检测出与人类视觉感知结果一致性较高的显著目标区域.     

基于显著性检测的图像简化

图像简化作为机器视觉、计算机视觉中的一项重要任务,对于提高网络传输效率、加速视觉算法分析处理具有重要意义.针对传统图像简化模型中存在的目标、背景不加区分及尺度效应等问题,提出了一种新的基于显著性检测的图像简化模型,模型首先采用MB+显著性检测算法计算图像的目标显著区域,然后在CIE Lab颜色空间中对L波段上的背景区域进行快速水平集变换,最后按照设定准则合并背景中的非主导区域并输出简化后的图像.     

一种基于对比度增强的图像显著性检测方法

在视觉注意机制下,图像显著性表现为人眼对图像中部分区域的重视程度,但采用频率调谐(frequency tuning,FT)算法进行图像显著性检测时,出现显著区域亮度不均匀、细节信息不明显等问题。针对上述问题,提出一种基于对比度增强的图像显著性检测方法。该方法将输入图像进行全分辨率对比度增强处理,通过高斯带通滤波器筛选出显著性区域,然后将Lab颜色空间分解成3个特征通道并做归一化处理,利用各通道的能量占比进行动态权值融合得到最终显著图。结果表明,该方法提高了目标轮廓及内部细节信息的清晰度,明显地突出显著区域,更易于目标的检测与识别。     

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。     

一种基于像素标记的二值图像区域围线追踪方法

在研究了多种二值图像连通区域围线追踪算法的基础上,提出了一种改进型的二值图像连通区域围线追踪算法。该算法在已有围线追踪算法的基础上,通过定义特定追踪方向,使得追踪过程始终按照逆时针或顺时针方向沿着连通区域边缘进行。在追踪过程中对像素点进行多次标记,通过在按照追踪方向确定的像素点基础上判断像素标记值来确定下一次待追踪像素点的选取。由于对像素点进行多次标记,有效区分了一次追踪像素点和二次追踪像素点,解决了追踪过程中出现的追踪间断现象,使得追踪结果呈现一条完整围线。实验结果表明,此方法可以快速有效地完成二值图像连通区域的围线追踪和提取。     

图像梯度与谱残差结合的显著性检测方法

针对图像显著性检测方法中存在的边界模糊、显著性目标不准确等问题,提出一种图像梯度与谱残差结合的显著性检测方法,图像梯度可以提取出图像的边缘和结构信息,而视觉显著性可以将梯度图中琐碎和复杂的背景过滤掉,两者结合可以快速地得到精细的显著性图,提出的算法简单、高效,实现了图像中显著性区域的准确定位与均匀突出,所得显著图可以更加方便地应用于后续的图像处理中.     

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.     

基于多映射块的二值文本图像认证水印算法

针对二值文本图像存在较多均匀区域的情况,本文提出了一种基于多映射块的认证算法.该算法将每个图像块中的不可翻转像素点Hash加密生成水印信息,并将其替代三个映射块中的可翻转像素点完成水印嵌入.篡改检测时设计了结合映射块邻域篡改特征的检测方法来认证图像内容的真实性.实验结果表明,该算法不仅可以有效保护二值文本图像的均匀区域,而且能够准确定位图像的内容替换和拼贴攻击.     

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。     

结合Sobel算子的蚁群红外图像边缘检测

红外图像边缘检测是红外图像处理的重要组成部分,蚁群算法应用在边缘检测方面具有良好的表现,但算法中蚂蚁初始位置的随机释放使得蚂蚁一开始会在非边缘区域耗费时间.采用Sobel边缘检测算子来引导蚁群边缘检测算法中蚂蚁初始位置的分布,使其以较高概率成为边缘的像素点作为起点对图像进行全局搜索,在对高概率区域检测的同时也将算法迭代...     

基于三支决策粗糙集的迭代量化的图像检索算法

由于基于全图的图像检索算法提取的特征存在噪声,而且只具备低层的描述能力,所以基于显著性检测的图像检索算法中,图像显著部分的不确定性会使显著性检测和图像分割后所得到的显著区域容易丢失重要信息,导致检索准确率低.提出一种基于三支决策粗糙集的图像检索算法.为了提取出图像的有用信息,忽略无关信息,该算法利用三支决策粗糙集理论将图像划分为显著区域、非显著区域和模糊区域,分别对显著区域和模糊区域提取特征,并共同参与检索.实验结果表明,该算法在Corel-1000数据集下,与现有先进算法相比,能有效地提高检索的准确率.     

显著目标存在性检测算法研究

显著目标检测得到越来越多的关注与研究,但用于显著目标检测的场景图像中有时并不包含任何显著目标,故由这些图像提取的显著图中只会产生虚假的显著目标,从而影响后续的处理。针对这一问题提出一种图像显著目标存在性检测方法,该方法基于中心周边直方图计算出的显著图,提取目标区域与图像中心点距离、目标区域位置分布方差、目标区域在图像边缘的分布、目标区域分布熵、图像显著图的直方图等5种特征进行分类,并利用投票的方式最终确定输入图片是否包含显著目标。基于微软亚洲多媒体图像数据库和网络图像数据库验证了本文算法的有效性,实验表明该方法的检测效果优于现有方法。     

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Laplacian算子的扩大比对范围的边缘检测算法

针对常规边缘检测算法中存在的图像细节轮廓损失问题,本文提出一种基于Laplacian算子的扩大比对范围的边缘检测算法。该算法在对像素点使用Laplacian算子进行边缘检测处理时,扩大了处理的范围,后由所有像素点的差值和可以组成一个新图像,选定合适的域值对新图像进行二值化处理可以得到二值化的图像边缘信息。实验证明,该算法可有效地解决图像中色调变化较小、边缘变化缓慢区域的边缘轮廓检测丢失问题。     

分区域多标准的全参考图像质量评价算法

图像质量评价在图像采集、图像压缩、图像传输等领域有着广泛的应用,一直是图像处理领域的研究热点之一.本文提出了一种模拟人的视觉感知过程中的对不同区域敏感度不同的特点,针对待评图像进行分区域采用不同标准的全参考型图像质量评价算法.该算法首先对图像颜色空间由RGB转换到YIQ,使之更符合人类视觉特性;再对其亮度空间进行数学形态学的膨胀计算预处理,并用边缘检测算子标记出图像中所有的边缘像素点;根据5×5的邻域内是否包含边缘点将图像分为纹理区和平滑区域.针对包含边缘特征的纹理区域的结构参数采用梯度进行描述,参考图像和失真图像在像素点的方差表述像素点失真的敏感性;对于平滑区域的像素点采用对比度作为表征结构信息的变量,并使用基于视觉显著性的综合策略;结合失真和参考图像的视觉显著性矩阵、结构相似性矩阵SCR(x)、色彩饱和度相似性矩阵,可分别得到纹理区和平滑区的图像质量评价分区域结果.取两个分区域结果的均值,可得到最后的全图像质量评价指标SMC-IQA.该算法在CSIQ、TID2008和TID2013等3个通用的图像质量评价数据库上进行了实验.实验结果表明与主流的图像质量评测方法相比较,本文所提出的分区域多标准的全参考图像质量评价算法与主观评价的结果具有更好的一致性,更符合人类视觉系统的特性.     

一种基于视觉显著图的线裁剪算法

基于图像内容的缩放,目的是在对图像进行任意纵横比的缩放时保持图像的视觉主体。线裁剪是一种基于图像内容的缩放算法,在已有的线裁剪算法中,使用梯度来表示每个像素点的视觉重要性,只在对象的边界处有较高的能量值,在进行缩放时,会引起图像视觉主体的形变。本文使用图像显著图和梯度图相结合的方法来度量每个像素点的重要程度,显著图从颜色、方向和强度三个属性来计算每个像素点的视觉关注程度。实验表明,本文提出的算法在缩放中能更好地保持图像视觉主体。     

基于非对称逆布局子模块合并的图像表示算法

在非对称逆布局模式表示模型的基础上,提出了基于非对称逆布局正方形子模块合并的彩色图像表示(NAMS-CBM)算法.算法将Lab彩色空间下像素点之间的欧氏距离权重作为分块的标准,可以保持彩色图像各个色彩通道之间的联系;此外将逆布局子模块中的独立点和面积较小的子模块进行合并,可以减少因过分割而产生的数据冗余.理论分析和实验结果表明:与经典的线性四元树算法和原始的非对称逆布局彩色图像表示方法相比,NAMS-CBM算法可以在很大程度上减少子模块数的同时保持图像的结构、边缘和轮廓等信息,突显出图像的显著性区域,平滑图像的背景区域.对于显著性检测、目标追踪等图像处理算法预处理步骤而言,NAMS-CBM算法是一种更好的图像表示算法.     

适用于DIBR的匹配误差校正算法

由于可见性变化、深度图像的不精确性以及计算的不精确等原因,采用基于深度图像绘制(DIBR)技术生成的虚拟视点视图中可能会存在匹配误差.为此,提出了一种适用于DIBR的匹配误差校正算法——零交叉校正(ZCC)算法.该算法建立在顺序匹配约束的基础上,通过分析目标图像像素点与参考图像上对应匹配点的映射关系来确定匹配误差区域,...