基于去雾增强和张量恢复的红外小目标检测

为解决红外块张量模型中利用核范数难以找到张量秩的非凸逼近,得到的非最优解进而影响红外小目标检测,提出了一种基于去雾增强和张量恢复的红外小目标检测算法。首先,利用改进后的暗通道算法对红外图像去雾增强,提高清晰度的同时间接增强了红外图像中背景的低秩性;其次,筛选匹配的张量正面切片去构建红外块张量模型,在张量奇异值分解的框架下,将检测任务转化为张量恢复问题;最后,设计一种快速算法恢复出红外图像中的低秩成分和稀疏成分,运算简单降低算法复杂度。相较于滤波和人类视觉系统的方法,该算法在复杂背景下的误检率平均下降16.6%,在常见的高亮背景区域中检测性能良好,误检率可降低33%。实验结果表明:该算法可以适用于复杂场景,剔除潜在的虚警点。     

室内夜间微弱光源下运动目标检测和阴影去除

提出一种新的室内夜间微弱光源照明情况下的运动目标检测方法。首先进行背景建模, 获取稳固的背景图像, 之后对背景和当前帧图像进行图像增强处理, 提高其清晰度; 采用相对背景减法检测前景运动目标, 并对差分图像进行去噪和修补; 利用前景目标区域、阴影区域和背景区域像素亮度值存在差异的特点, 检测和去除背景差分图像中可能存在的阴影, 获得准确的运动目标。在室内夜间环境下采集视频进行试验, 结果验证了所提方法的有效性。     

基于复杂度和方向梯度的红外弱小目标检测方法

为解决天空背景下红外弱小目标检测问题,提出了一种基于图像复杂度和方向梯度的检测方法。利用信息熵对图像复杂度进行描述,引入了图像方差和像素局部变化率对信息熵进行加权,使云内部和云边界区域得到抑制。以复杂度为描述对象,建立多级多方向梯度模型,在背景局部复杂度高于目标复杂度的情况下,仍能够有效分割出目标。实验证明,该方法能够在复杂云背景情况下检测出弱小目标。     

一种基于改进的AdaBoost、肤色和2DPCA的人脸检测方法

为了提高复杂背景下多人脸检测率以及人脸检测速度,提出了一种基于改进AdaBoost、肤色检测和二维主成分分析法（Two-dimensional Principal Component Analysis,2DPCA）的人脸检测方法.该方法首先利用金字塔结构快速检测人脸,得到人脸检测区域,然后利用肤色检测对待判人脸区域进行过滤,过滤误检的非人脸区域,最后根据人脸的几何位置进行人脸关键部位的2DPCA检测.仿真结果表明,该方法实现了复杂背景下多人脸图像快速检测和精确定位,有效降低了误检率,使检测结果更加精确.     

基于改进的混合高斯模型的红外运动目标检测

传统混合高斯模型中背景容易留下运动"虚影",同时在噪声或目标区域对比度低时会导致提取目标区域时出现断裂和空洞的现象,针对这些问题在混合高斯方法中赋予图像中运动和静止区域不同的背景更新速率,并充分利用混合高斯模型中的背景和前景信息,将背景减除的结果与高斯建模中的前景图像按照一定比例融合获得目标图像。实验结果表明:改进后的混合高斯模型运动目标检测方法,能够克服传统高斯模型目标检测中存在的问题,从复杂的背景中较完整的提取出运动目标,且具有一定的抗噪能力。     

同质背景预测用于红外弱小目标检测

背景预测是红外弱小目标检测中抑制背景的主要方法之一.提出了一种同质背景预测算法,在分析空背景下不同背景成分图像灰度特征模型的基础上,首先对图像进行边缘检测,将图像划分为不同灰度性质的区域,然后使用边缘检测结果调制预测权值矩阵.仿真结果表明,该算法对背景杂波具有很好的抑制效果,能够有效保护图像细节,明显降低异质区域像素灰度对预测的不利影响,显著改善低信噪比条件下弱小目标的检测性能.     

双邻域差值放大的高动态红外弱小目标检测方法（特邀）

针对现有红外弱小目标检测方法背景抑制不充分、计算复杂度高,导致红外侦察预警系统虚警率高、响应速度慢的问题,提出一种基于双邻域差值放大的高动态红外弱小目标检测方法。首先,分析真实红外图像中目标与邻域的均值特性;然后,计算出目标区域与内外双层邻域的差异,从而提升亮、暗弱小目标的局部对比度并抑制复杂背景和噪声;最后,利用自适应阈值分割算法获取目标的位置。针对信杂比增益和背景抑制因子难以客观评价红外图像序列的目标增强和背景抑制性能的问题,提出一种目标轨迹显著图评价方法,有效评价红外图像序列目标检测性能。实验结果表明:与同类检测方法相比,该方法的信杂比增益与背景抑制因子分别提高了12%与10%,运行时间约缩短了34 ms,是一种有效可行的高动态红外弱小目标检测方法。     

基于HOG SVM模型的场景文字二次检测算法

针对基于边缘检测的文字定位虚警率过高的问题,提出了一种基于Canny边缘检测和HOG+ SVM模型相结合的场景文字检测算法.首先采用基于Canny边缘检测和文字的几何约束条件得到候选文字区域,再利用HOG+ SVM模型对候选文字区域进行二次检测,过滤掉大部分非文字区域.实验结果表明,该算法能够有效地去除基于边缘检测算法产生的误检区域,大大降低了基于边缘检测的场景文字定位的虚警率,并对背景复杂的图像也具有一定的鲁棒性.     

基于初级视皮层抑制的轮廓检测方法

轮廓检测是基于形状目标识别任务的关键,然而从自然场景中自动地检测出目标的轮廓是非常困难的,因为背景中存在着大量的无关干扰成分.生理学与解剖学的研究表明初级视皮层中具有方位选择性的神经元的响应受到其周围环境中同方位刺激的抑制,因此方位发生变化的地方受到的抑制程度相对较少,这使得孤立的边缘或区域的边界更为显著.基于此我们提出了一个视觉生理机制的轮廓检测模型,其目的是减少背景纹理的干扰,同时保留感兴趣的对象.针对模拟及真实图像的实验结果表明这种抑制措施有效地抑制了纹理边缘并减少了轮廓自身的破坏,极大地提高了复杂背景中轮廓检测的性能.     

基于权重强化局部方差对比的红外小目标检测

针对红外图像中背景与目标对比度低、边缘高亮的问题,提出了一种用于红外小目标检测的局部方差对比测度算法.该算法由局部方差对比测度的计算和权重强化函数的设计两个模块组成:局部区域对比利用目标区域三层图像块模型之间的方差差异突出增强真实目标;权重强化函数的设计是为了能更好地抑制背景杂波,充分考虑了目标的统计特征、目标与其相邻背景的统计差异和背景的统计特征.实验结果表明,该方法在增强小目标和抑制背景杂波方面具有较好的效果,时间较短,鲁棒性好.     

基于纹理抑制和连续分布估计的显著性目标检测方法

为了取得更好的显著性检测结果,针对传统的显著性检测方法易造成边界模糊以及应用中央-周边差进行图像检测时,感兴趣目标的内部纹理会破坏目标的整体性的问题,提出了一种基于纹理抑制和连续分布估计的显著性检测方法。先对图像进行双边滤波的预处理,以平滑目标以及背景区域内部的纹理扰动,保留目标与背景之间的主要边缘。再采用SLIC超像素分割算法,对图像中具有相同特征的像素进行分组,通过多维正态分布提取分割区域的特征,利用二范数Wasserstein距离计算区域相似度:结合局部显著性检测以及全局显著性检测实现目标区域的提取。实验结果表明,本文的方法能够较好地提取显著性目标区域。     

应用图像融合与多样性的舰船显著性检测

基于单源的图像显著性检测存在较大的虚警或漏检,文章提出了利用约简后的特征点和CPD算法对海面实拍船只图像进行多源图像匹配,获得图像间的变换投影方程并利用投影方程对单源图像的显著性检测结果进行叠加与虚警控制器分类,从而达到提高检测率与控制虚警的目的。显著性检测方面,文章分析了基于图等级多样性的显著性检测方法的不足和优点,引入了最大稳定区域检测方法对图像做前期处理,并对获得区域进行联合获得新区域,使得新区域能够最大限度地满足基于图的等级多样性显著性检测最优条件。对于检测获得的联合区域目标显著性不完整的情况,利用了区域的叠加性进行加权求和,最终获得了具有较好联通性的多舰船目标图像显著性检测结果。对于显著性检测结果中存在较大虚警的情况,文章进一步提出计算船只与浪花的多尺度分形维数,并结合Adaboost算法训练浪花虚警控制器。实验结果显示控制器能够消除一部分浪花带来的虚警,但是对于灰度与舰船极为相似的虚警无法消除。     

基于稀疏和低秩表示的显著性目标检测

文中研究了无监督自下而上的显著性目标检测方法。基于显著性目标在自然图像中稀疏分布的这一先验性假设,提出了一种用低秩和稀疏表示进行显著性目标检测的方法。根据图像背景的先验分布,首先选取一个有效的背景字典来低秩表示图像的背景部分,进而更好地分离出显著性前景。由于人类视觉中心偏好可知,图像的边缘部分不易引起关注,故选取这些边缘部分作为背景先验来选取背景字典。与其他基于稀疏和低秩分解的显著性目标检测相比,文中选取的背景字典更简单有效,且能得到更好的显著性图。实验结果显示,该方法比主流的显著性检测方法得到的显著性图更令人满意。     

基于视觉对比机制的红外弱小目标检测方法

为解决复杂背景下红外弱小目标检测精度低的问题,本文提出一种基于视觉对比机制的红外弱小目标检测方法,算法主要模拟了人眼对目标对比度敏感这一机制。首先利用8向梯度方程提取红外图像的梯度显著图并二值化处理;根据小目标的尺寸大小特征对梯度显著图进行优化处理,剔除孤立的噪声点和尺寸较大的背景梯度显著区域;利用视觉对比机制对优化后的显著图进行局部对比度计算,通过阈值处理剔除虚警目标,完成红外弱小目标检测。仿真实验表明,该算法在低信噪比情况下对红外弱小目标的检测率较高,且虚警率低,单帧检测时间较小。     

基于区域增长的遥感影像视觉显著目标快速检测

针对传统视觉注意模型在遥感影像视觉显著区域检测中存在的计算复杂度高、检测精度低等缺点,提出了一种新的视觉显著区域快速检测算法。首先利用整数小波变换降低遥感影像的空间分辨率,从而降低视觉注意焦点检测的计算复杂度;然后在视觉特征融合中引入二维离散矩变换,生成边缘与纹理信息更为丰富的遥感影像显著图;最后在显著图分析中提出区域增长策略来获得视觉显著区域的精确轮廓。实验结果表明,新算法不仅有效降低了遥感影像视觉显著区域检测的计算复杂度,而且能够精确描述视觉显著区域的轮廓信息,同时避免了对整幅遥感影像的分割与特征提取,为今后的遥感影像目标检测提供了一定地参考价值。     

一种显著图分割的遥感油库检测方法

针对遥感影像中油罐检测识别率低、难度大的问题,提出了一种基于显著图分割分布式的目标检测识别方法,利用视觉显著模型得到油库疑似候选区域,采用多阀值Otsu方法分割出目标,以及利用油罐的似圆特征和分布式的空间分布规律对油库进行检测识别,通过油库场景分布的先验知识,提高检测识别效率、降低虚警率。大量实验表明,文中方法可有效实现对遥感影像中油库的检测识别。     

图像显著性检测方法解析

图像显著性检测是一种通过对图像颜色、强度、方向等特征进行分析生成图像显著性图的技术。其生成的显著性图可以用于图像分割、图像压缩以及图像识别等图像处理领域,从而改善图像处理的性能。为了对图像显著性检测技术及其发展有一个全面深入的了解,使用文献研究法和比较研究法对其概念及方法进行了探究。针对几种具有代表性的图像显著性检测算法进行了简要的概述和分析,用流程图简明扼要地表示显著性检测算法的基本框架。研究结果显示,图像显著性检测技术的效率在不断提升,算法越来越多样化,在图像处理领域的应用越来越广泛,这些对于图像处理自动化具有重要意义。     

基于显著区域提取的红外图像舰船目标检测

针对复杂海面背景下红外图像舰船目标由于灰度不均匀、海杂波干扰大等因素造成的自动检测虚警率高、准确率低的问题,提出了一种显著区域提取和目标精确分割相结合的红外舰船目标检测方法。首先,利用基于图论的视觉显著性(Graph-based Visual Saliency ,GBVS)模型计算待检测图像的显著图,使得目标区域信息增强;其次,结合舰船目标先验信息（长短轴、面积等）,利用多级阈值划分算法提取关注的显著区域,并确定原图中候选目标区域;最后,利用空间约束模糊C均值(Fuzzy C-Means,FCM)算法对候选区域进行分割,结合目标先验知识对分割区域筛选并输出目标位置。所提方法在公开数据集IRShips上与相关方法进行比较,结果表明,相比直接进行全图目标搜索的方法,所提方法不仅准确率高、执行速度快,且检测目标的位置更加精确。     

局部和全局特征融合的红外图像显著性检测

为了更好地凸显复杂环境的红外目标特征,提出 一种融合局部和全局特征的红外图像 显著性检测方法。在获取图像超像素的基础上,提取每个区域空间距离加权的邻域对比度特 征,并考虑区域大小和位置的影响,构建局部显著图;然后提取每个区域空间距离加权的全 局灰度特征,构建全局显著图;最后融合局部和全局显著图,实现图像显著性检测。实验结 果 表明,本文方法的显著图结果目标区域一致高亮且边缘清晰,同时背景杂波抑制效果好。无 论 主观评价还是客观指标,本文方法都优于当前流行的图像显著性检测方法。     

3D saliency detection based on background detection

Unlike 2D saliency detection, 3D saliency detection can consider the effects of depth and binocular parallax. In this paper, we propose a 3D saliency detection approach based on background detection via depth information. With the aid of the synergism between a color image and the corresponding depth map, our approach can detect the distant background and surfaces with gradual changes in depth. We then use the detected background to predict the potential characteristics of the background regions that are occluded by foreground objects through polynomial fitting; this step imitates the human imagination/envisioning process. Finally, a saliency map is obtained based on the contrast between the foreground objects and the potential background. We compare our approach with 14 state-of-the-art saliency detection methods on three publicly available databases. The proposed model demonstrates good performance and succeeds in detecting and removing backgrounds and surfaces of gradually varying depth on all tested databases.