基于立体视觉分析的显著性区域检测算法

针对传统单目视觉显著性模型存在细节丢失,不适用于复杂场景等问题,提出一种基于立体视觉分析的显著性区域检测算法。首先,采用基于图的分割方法将图像分割成不同区域,根据颜色和视差以及空间相干性计算颜色复杂度和视差复杂度。其次,对两者进行显著性聚合,计算像素对比度从而得到区域对比度。最后,引用视差信息计算局部对比度后,进行融合归一化,获得显著图。该算法适用于背景纹理复杂的立体图像显著性区域检测,检测的显著图细节突出,边缘锐利。实验结果表明,该算法优于其他显著性算法,符合人类视觉机制,在立体图像数据集上获得了75%正确率和88%召回率。     

基于Canny算子的多尺度小波变换图像边缘检测方法

图像边缘检测是图像处理中的重要一环,本文基于Canny边缘检测算法,提出了一种改进的Canny边缘检测算法。该算法采用新的基于多尺度小波变换边缘检测的设定方法,充分利用了不同的尺度变换可以得到不同边缘细节的特点,可以对低分辨率的边缘能够很好的提取,并能有效的抑制噪声,具有优于传统Canny算法的性能。经实验仿真,验证了该算法的有效性。     

基于显著性检测与权重映射的可见光与红外图像融合算法

为了解决当前可见光(VI)与红外(IR)图像融合中易出现信息丢失,以及存在伪影等问题,提出了一种显著性检测耦合权重映射结合的VI与IR图像融合算法。分别对VI和IR图像进行二尺度分解,得到基础层和细节层。为了提高VI和IR融合效果,定义了一种显著性特征检测方法,在每个源图像上应用均值滤波以减小像素与其相邻像素之间的强度变化,以完成平滑处理。再借助中值滤波来消除每个源图像中的噪声与伪影,较好地保留图像边缘。并通过取均值和中值滤波输出的差异来计算图像的显著性特征,以突出边缘和直线等显著性信息。然后,通过对显著性检测结果完成归一化处理,以构建权重映射,为细节层分配合适的权重。再将基础层和细节层采用不同的规则进行融合,其中,联合权重映射与细节层,得到最终的细节信息,并借助平均融合规则来完成基础层的融合。最后,利用最终基础层和细节层的线性组合来构造新图像。实验表明,与当前多尺度图像融合技术相比,所提算法仅采用两尺度分解,显著提高了融合效率,而且得到的融合图像具有更好融合质量,有效消除了伪影,在融合过程中的信息丢失量更少。     

基于改进MSR的锂电池X射线图像增强算法

针对锂电池X射线图像存在清晰度低、对比度差、图像电极轮廓模糊不清晰等问题,提出一种基于改进多尺度Retinex的锂电池X射线图像增强算法。首先,在传统多尺度Retinex算法中,使用双边滤波估计照度分量,同时利用基于平均对数亮度值进行全局自适应的图像动态范围压缩。然后使用改进的MSR算法提取图像的反射分量,利用sobel算子获取反射分量的纵向梯度,再与反射分量进行梯度信息融合,增强图像细节信息,再对融合图像使用CLAHE算法进行对比度增强,最后再使用双边滤波去噪声,得到最终增强图像。在自主构建的数据集上进行了实验研究,实验结果表明提出的方法显著提高锂电池X射线图像的清晰度和对比度,图像阴极线边缘轮廓有明显增强,在突出锂电池X射线图像边缘细节信息和增强图像对比度上,都要明显优于传统多尺度Retinex算法。     

基于显著性检测与权重映射的可见光与红外图像融合算法

为了解决当前可见光(VI)与红外(IR)图像融合中易出现信息丢失,以及存在伪影等问题,提出了一种显著性检测耦合权重映射结合的VI与IR图像融合算法。分别对VI和IR图像进行二尺度分解,得到基础层和细节层。为了提高VI和IR融合效果,定义了一种显著性特征检测方法,在每个源图像上应用均值滤波以减小像素与其相邻像素之间的强度变化,以完成平滑处理。再借助中值滤波来消除每个源图像中的噪声与伪影,较好地保留图像边缘。并通过取均值和中值滤波输出的差异来计算图像的显著性特征,以突出边缘和直线等显著性信息。然后,通过对显著性检测结果完成归一化处理,以构建权重映射,为细节层分配合适的权重。再将基础层和细节层采用不同的规则进行融合,其中,联合权重映射与细节层,得到最终的细节信息,并借助平均融合规则来完成基础层的融合。最后,利用最终基础层和细节层的线性组合来构造新图像。实验表明,与当前多尺度图像融合技术相比,所提算法仅采用两尺度分解,显著提高了融合效率,而且得到的融合图像具有更好融合质量,有效消除了伪影,在融合过程中的信息丢失量更少。     

基于深度学习的风机叶片边缘检测

利用传统视觉算法提取叶片边缘易受地平线或非目标风机的干扰对提取结果造成误差。针对这一问题，提出一种基于显著性及改进双向级联网络的检测算法，该算法可排除地平线及背景影响，获取完整边缘信息。其中，显著性检测网络模拟人的注意机制，提取视场重要信息，将目标风机与背景分离；改进双向级联网络在原有结构新增尺度选择模块，优化不同层之间特征共享，精确检测不同尺度的边缘，完整获取目标轮廓。利用某风电场无人机采集的实验数据，对识别性能评估得出该方法具有足够的精度，可在不同环境中准确识别叶片轮廓。     

基于数据融合的图像边缘检测算法研究

提出了一种基于数据融合的图像边缘检测算法。该算法对原始图像分别采用Canny算子和小波变换两种方法进行边缘提取,再将两种方法结果通过数据融合的手段获得一幅新的边缘图像。实验证明,融合后的图像边缘包含了原始图像丰富的细节信息和较完整的轮廓,该算法优于单独采用Canny算子所获得的边缘图像,是一种有效的图像边缘检测方法。     

基于主结构提取与签名算法的织物缺陷检测

为解决目前基于图像处理的织物缺陷检测算法中,因织物组织纹理结构复杂、花型繁多造成的检测效果差的问题,提出一种基于主结构提取与图像签名算法的纹理织物缺陷检测方法。首先,使用改进的总变差模型去除织物纹理提取主结构;其次,利用高斯变换对待检测图像进行多尺度分解,构建高斯金字塔;然后根据视觉注意力机制提取颜色特征,通过图像签名算法对疵点进行显著性检测,最后利用自适应阈值的方法分割得到疵点区域。实验结果表明,算法可有效地提取各种织物的主结构,实现不同纹理织物图像的缺陷检测。     

基于多尺度Gabor滤波器的彩色图像边缘检测

为了更好实现对彩色图像进行边缘提取,并保证算法具有更好的稳定性,文章使用多尺度Gabor滤波器的方法,来提取彩色图像边缘和轮廓.构建了3个尺度、16个方向的Gabor滤波器.首先将彩色图像灰度化,利用多尺度Gabor虚部滤波器提取图像灰度变化信息.通过非极大值抑制,并通过高低阈值获取边缘像素点及其候选边缘,最后利用局部边缘连接获取图像边缘轮廓.并将本算法与常用边缘检测算法进行实验性能比较,实验结果表明:提出的算法既能获得较高的定位准确度,又具有很好的噪声鲁棒性,该算法与常用的Roberts等一系列算法相比,检测效果更好,稳定性更强.     

多梯度融合的RGBD图像边缘检测

基于单一的属性变化进行边缘检测往往会损失部分边缘信息,影响了检测结果的完整性,对此提出一种基于多梯度融合的边缘检测算法。该算法针对RGB图像,首先转换到YCbCr颜色空间下,分别提取亮度分量Y颜色分量Cb、Cr针对提取的亮度分量Y颜色分量Cb、Cr,结合深度图像D,分别使用多方向的圆形边缘检测算子进行梯度计算,对所获得的4种梯度图像进行融合获得边缘检测结果。实验结果表明,算法获得的边缘检测结果更加清晰完整,有效的提高了边缘检测的效果。     

基于多特征融合的红外弱小目标检测

为解决红外弱小目标检测领域中基于单类先验知识的人类视觉系统检测方法检测准确率低、虚警率高以及显著图计算复杂等问题,提出一种在复杂背景条件下对红外弱小目标多种特性进行融合处理的检测方法。通过融合红外弱小目标的局部灰度值大、自身灰度信息符合二维高斯分布以及与邻域相似度低的三大特性,利用协方差检测和相似度对比计算得到显著图,对显著图进行简单阈值分割得到真实目标。对不同复杂背景和不同数据类型的红外源图像进行弱小目标检测实验,结果表明:与基线算法相比本文所提算法检测结果背景抑制因子和信杂比增益均提高2~3倍,交并比为HVS类方法最优,ROC曲线在较低虚警率时获得最高检测准确率。本文方法将红外源图像中弱小目标多个特性进行有效融合,提高检测精度的同时降低了显著图计算复杂度,在不同复杂背景和杂波干扰的情况下仍能取得较好的目标定位和背景抑制效果。     

基于视觉显著性与量化指数调制的图像鲁棒水印算法

为了兼顾水印系统的透明性与抗几何变换能力,提出了基于视觉显著性与量化指数调制的图像鲁棒水印算法。首先,采用Ripplet变换来处理宿主图像,得到特征映射;再利用Gaussian概率密度模型来计算特征映射对应的视觉显著性映射,并将其实施分解成一系列的子块,以获取其显著性均值;引入非下采样Contourlet变换来分解宿主图像,输出对应的低通子带和带通方向子带;随后,把低通子带分割为尺寸较小的非重叠子块,并计算每个子块的能量;联合显著性均值与能量,计算待嵌入子块对应的量化步长,将其视为密钥;借助奇异值分解来处理低通子带的每个子块,获取对应的对角矩阵,基于这些矩阵中的最大元素的均值,通过改进传统的对数量化指数调制方法,设计水印嵌入方法,根据每个子块对应的量化步长,将水印数据隐藏到载体中,得到水印图像;最后,根据接收密钥,定义水印提取机制,在水印图像中检测水印数据。实验数据表明:较当前的基于分块的水印技术而言,所提算法具备更高的水印透明性,且在常规几何内容操作下,其表现出更强的鲁棒性,所复原的水印失真最小。     

景深边缘优化的暗通道去雾算法

雾天条件下拍摄的图像存在低对比度和低场景可见度的问题,传统的去雾算法容易产生 Halo 效应.为此,提出了景深边缘优化的暗通道去雾算法.该算法是基于暗原色先验理论,需要考虑消除景深边缘处的白色晕块,方法是对图像景深边缘和非景深边缘分别采用不同的模板处理得到透射图.引导滤波修复透射图,在去除多余的纹理信息的同时增强了雾天图像的边缘信息.并采用新增可见边之比、梯度化均值对去雾图像进行客观评价.实验表明该算法不仅能够有效地去除图像中的雾气,而且有效地降低了Halo效应,从整体上改善了去雾复原图像的视觉效果.     

基于区域聚焦特性的多聚焦图像融合算法

针对现有多聚焦图像融合算法存在的伪影和信息残留问题,提出了一种依据图像聚焦特性,最大程度保留各区域信息和清晰度的算法。首先,通过区域检测得到聚焦区域决策图,利用该决策图进行初始融合和边界提取,得到边界区域决策图;其次,利用ACS网络学习多聚焦图像的融合规则,生成网络融合图;最后,根据边界区域决策图对初始融合图和网络融合图进行加权求和,得到最终的融合图像。实验结果表明：该算法在聚焦区域和边界区域都优于其它比较算法,各项评估指标分别提高4.8%和1.5%以上;同时主观效果更符合HVS。实验证明了在保留源图像的细节信息和避免各个区域的视觉伪影上,该算法都能取得很好的效果。     

融合深度感知特征与核极限学习机的行人检测

行人检测在辅助驾驶和交通监测等方面有着广泛的应用,一直是计算机视觉领域中的研究热点和难点。传统特征提取方法对处在复杂环境中的行人难以有效地捕获具有区分度的特征信息。而目前流行的卷积神经网络因BP算法易陷入局部极小值,对泛化性能有所影响,且随着网络层的增加,一些显著特征信息逐层递减。针对上述问题,提出了融合深度感知特征与核极限学习机的行人检测算法。首先在CNN结构的基础上分两个阶段将前层特征与深层次特征融合后,送入后续层学习,构造一个DAGnet网络。随后采用实时性高,泛化能力强的核极限学习机对所得深度特征信息进行分类,并采用K-折交叉验证进行参数寻优;检测阶段,在DAGnet网络学习到的特征图上采用基于图论的显著性分析算法(GBVS),快速标注测试图像中行人的区域,然后在显著区域利用滑动窗口检测行人的精确位置。实验证明,所提算法在INRIA数据集和Caltech数据集的正检率均高于90%,在保证精度的情况下检测速度也得到明显提高。     

基于空-频域映射与虚警抑制的弱小目标检测算法

为了有效控制红外弱小目标检测过程中的虚警率,提高复杂云背景下的目标检测准确度,提出了基于空域-频域映射与虚警抑制的弱小目标检测算法。根据红外中心像素不同方向上的强度值,构建了方向最大中值滤波器,有效消除噪声;并利用中心像素与其邻域像素的强度差异,形成背景抑制滤波,充分增强弱小目标;考虑云区域的特有属性,联合非线性滤波,定义了云区域识别机制,提取空域映射;引入Butterworth差异低通滤波器,对去噪图像中的显著目标完成初步识别;基于其幅度信息,进行显著目标的精细检测;再利用细显著性检测结果,计算阈值,利用二值分割方法来获取去噪红外图像的频域映射;联合空域映射与频域映射,提取红外图像中的候选目标;根据真实动目标与虚警之间的运动特征差异,利用多尺度改进的管道滤波来抑制虚警,准确识别出真实目标。实验数据表明,相对于已有的弱小目标识别方案,所提方案能够准确地识别出真实目标,拥有更好的ROC特性曲线。     

基于机器视觉的瓦斯继电器油位异常检测

针对传统的瓦斯继电器油位异常时机械故障引起的误报警情况,文中提出基于机器视觉的瓦斯继电器油位测量方法,为瓦斯继电器油位异常检测提供一种新的方法,有效提高其工作可靠性和安全性。由于瓦斯继电器窗口内部背景复杂干扰较大,使得传统的基于图像处理液位提取方法误差很大,无法得出满意的结果。为此提出颜色空间域转换和Canny检测边缘结构复杂度相结合的算法,提取出瓦斯继电器油位。实验结果显示,所提算法在瓦斯继电器油位提取方面优于传统方法,满足实际工程需求。     

基于边缘检测与注意力机制的立体匹配算法

随着深度学习理论的不断进步,端到端的立体匹配网络在自动驾驶和深度传感等领域取得了显著的成果。然而,最先进的立体匹配算法仍然无法精确恢复物体的边缘轮廓信息。为了提高视差预测的精度,在本研究中,提出了一种基于边缘检测与注意力机制的立体匹配算法。该算法从立体图像对中学习视差信息,并支持视差图和边缘图的端到端多任务预测。为了充分利用二维特征提取网络学习到的边缘信息,本算法提出了一种全新的边缘检测分支和多特征融合匹配代价卷。结果表明,基于本文模型的边缘检测方案有助于提高视差估计的精度,所获取的视差图在KITTI 2015测试平台上的误匹配率为1.75%,与金字塔立体匹配网络相比,视差图的精度提高了12%,且运行时间减少约20%。     

结构化矩阵分解的网状织物缺陷检测方法

针对在网状织物缺陷检测过程中因纹理复杂造成误检问题,提出了一种结构化矩阵分解的网状织物缺陷检测方法。首先,通过Retinex算法对图像进行增强,利用所提取的底层图像特征生成特征矩阵,并将其分解为含有织物图像背景信息的低秩矩阵和含有缺陷信息的稀疏矩阵;其次,引入了高级先验矩阵和索引树两个部分,通过利用增强后图像进行获取,并对两个部分进行特征融合,实现缺陷显著性增强。通过计算稀疏矩阵的值,获得缺陷的显著性的大小;最后,通过最佳阈值分割算法分割缺陷显著图,从而得到缺陷检测结果。利用公开数据集TILDA和BASLER工业相机采集到的网状织物缺陷图像验证了算法的性能。研究表明,与其他算法相比,本文算法的识别准确率达到94.25%,召回率达到92.48%,分类准确率达到90.12%。