显著区域检测技术研究

显著区域检测是计算机视觉中非常活跃的研究方向,其应用领域极为广泛。如何快速准确地找到图像的显著区域尚未形成完整的理论体系,且与具体应用密切相关,对研究人员来说仍是一个富有挑战的课题。 对显著区域检测技术进行了综述。首先深入讨论了自底向上和自顶向下的显著区域检测方法,对方法进行了归类,并对典型方法进行了梳理;其次讨论了算法的评价标准和目前流行的显著性评测数据库;最后对目前存在的问题进行了总结,给出了未来的研究方向。     

基于稀疏表示的图像显著区域检测算法

针对图像的显著区域检测问题,提出一种基于稀疏表示的显著区域检测算法。该算法首先利用稀疏编码对图像进行特征描述,然后根据图像的稀疏编码进行视觉显著性的计算,而不是对原始图像直接进行处理,提高计算的效率。最后,根据视觉显著性的计算结果,进行显著性区域分割。在公开的测试图像集上进行实验,并和目前几种流行的算法进行实验对比。实验结果表明,该算法用于图像的显著区域检测是正确有效的。     

机器视觉表面缺陷检测综述

目的 工业产品的表面缺陷对产品的美观度、舒适度和使用性能等带来不良影响,所以生产企业对产品的表面缺陷进行检测以便及时发现并加以控制。机器视觉的检测方法可以很大程度上克服人工检测方法的抽检率低、准确性不高、实时性差、效率低、劳动强度大等弊端,在现代工业中得到越来越广泛的研究和应用。方法 以机器视觉表面缺陷检测为研究对象,在广泛调研相关文献和发展成果的基础上,对基于机器视觉在表面缺陷检测领域的应用进行了综述。分析了典型机器视觉表面缺陷检测系统的工作原理和基本结构,阐述了表面缺陷视觉检测的研究现状、现有视觉软件和硬件平台,综述了机器视觉检测所涉及到的图像预处理算法、图像分割算法、图像特征提取及其选择算法、图像识别等相关理论和算法研究,并对每种主要方法的基本思想、特点和存在的局限性进行了总结,对未来可能的发展方向进行展望。结果 机器视觉表面缺陷检测系统中,图像处理和分析算法是重要内容,算法各有优缺点和其适应范围。如何提高算法的准确性、实时性和鲁棒性,一直是研究者们努力的方向。结论 机器视觉是对人类视觉的模拟,机器视觉表面检测涉及众多学科和理论,如何使检测进一步向自动化和智能化方向发展,还需要更深入的研究。     

基于图像显著性检测的图像分割

图像分割在许多图像处理和机器视觉问题中是一个非常重要的过程,是将一幅图分割成几个显著的区域,然而不能将其中最显著的目标直接分割出来,需要进一步处理。为此本文采用显著性检测的算法实现了对目标的分割。显著性区域检测可以应用于目标检测、图像检索、图像分割等机器视觉问题。使用杨等人提出的基于图论的流形排序算法检测显著性算法得到显著性图,再结合mean-shift分割算法,实现了对视觉显著性目标分割提取,可获得可观的图像分割结果,并将此算法应用到了森林火灾检测中,能对图像中的火焰部分进行有效的分割提取。     

静态图像中的感兴趣区域检测技术

感兴趣区域(ROI)检测将人类的视觉注意机制引入到图像分析过程中，对于提高现有图像分析系统的工作效率有着积极的作用。本文对当前静态图像中的ROI检测技术进行了评述。在分析了ROI检测的产生背景之后，首先介绍了人类的视觉注意机制，随之从自底向上和自顶向下两个方面详细讨论了当前较具代表性的ROI检测算法，然后列举了一些主要的ROI应用方向，最后对ROI检测技术的发展前景进行了展望。     

图像感兴趣区域检测技术

感兴趣区域（ROI）检测技术,是将图像中最能表现图像内容的关键区域提取出来的技术。对现有的静态图像ROI检测技术进行讨论。分析ROI检测技术的产生背景,评述几种当前较具代表性的ROI检测算法。详细讨论基于视觉特征的ROI检测算法,最后列举一些主要的ROI应用方向,并对ROI检测技术的发展前景进行展望。     

基于DCT域视觉显著性检测的图像缩放算法*

为适应不同终端显示多样化的要求,需对接收到的图像进行缩放调整。针对现有的基于内容感知(content-aware)的图像缩放方法中视觉内容的连贯性易被破环而出现失真的问题,提出了一个基于离散余弦变换(discrete cosine transform, DCT)域的视觉显著性检测的图像缩放算法。该算法利用DCT域的视觉显著性检测模型获取视觉显著图,然后结合视觉显著图和能量分布图进行线裁剪(Seam Carving),实现了图像的缩放。实验结果表明,该算法与现有的基于内容感知的图像缩放方法相比,不仅保护了视觉显著内容,还保证了图像内容的连贯性,算法质量指数也获得明显的提高。     

自动特征选择和加权的图像显著区域检测

视觉显著性度量是图像显著区域提取中的一个关键问题,现有的方法主要根据图像的底层视觉特征,构造相应的显著图。不同的特征对视觉显著性的贡献是不同的,为此提出一种能够自动进行特征选择和加权的图像显著区域检测方法。提取图像的亮度、颜色和方向等特征,构造相应的特征显著图。提出一种新的特征融合策略,动态计算各特征显著图的权值,整合得到最终的显著图,检测出图像中的显著区域。在多幅自然图像上进行实验,实验结果表明,该方法在运算速度和检测效果方面都取得了不错的效果。     

结合立体视觉舒适度的立体图像显著性检测

针对先前的立体图像显著性检测模型未充分考虑立体视觉舒适度和视差图分布特征对显著区域检测的影响,提出了一种结合立体视觉舒适度因子的显著性计算模型.该模型在彩色图像显著性提取中,首先利用SLIC算法对输入图像进行超像素分割,随后进行颜色相似区域合并后再进行二维图像显著性计算;在深度显著性计算中,首先对视差图进行预处理;然后基于区域对比度进行显著性计算;最后,结合立体视觉舒适度因子对二维显著图和深度显著图进行融合,得到立体图像显著图.在不同类型立体图像上的实验结果表明,该模型获得了85%的准确率和78%的召回率,优于现有常用的显著性检测模型,并与人眼立体视觉注意力机制保持良好的一致性.     

基于颜色和空间距离的显著性区域固定阈值分割算法

针对现有的基于空间域的显著性检测算法在分割显著性区域时需要依赖图像分割算法的不足,提出一种基于颜色和空间距离的显著性区域固定阈值分割算法。该算法首先对图像建立图像金字塔,并对每层的图像进行颜色量化和图像分块的预处理;然后利用颜色和空间距离计算得到显著性图;最后进行阈值分割,得到显著性区域。在MSRA1000公开数据集上的实验结果表明,该算法在精度、召回率和F测度方面的表现均优于现有的几种算法。因此,提出的算法在检测效果上优于现有的显著性区域检测算法,而且可以简单地分割出显著性区域。     

基于机器视觉的手机键盘质量检测系统

分析了利用机器视觉技术设计检测系统的现实意义,并介绍了系统的硬件和软件结构,对基于机器视觉的实时图像处理算法进行了研究。把主元分析的方法引入了图像校准领域,实现了图像的倾斜校正。通过现有分割方法的比较,提出了一种综合分割方法,对图像的特征有比较好的保持效果。使用轮廓跟踪技术完成了特征提取。根据特征的统计分布特性,利用特征区域匹配实现质量检测。实际使用情况表明该系统是可行且有效的。     

基于深度学习和Transformer的目标检测算法

目标检测是实现目标跟踪、实例分割等高级视觉任务的基础,在智慧交通、缺陷检测、智能安防等现实场景有着重要应用。现有高精度检测算法都是在深度学习的指导下实现,同时伴有锚框技术,但是锚框自身的不足对检测器性能有着较大影响,无锚点碰撞检测成为了近几年目标检测领域新的研究方向。与此同时,Transformer表现出的巨大潜力为视觉领域开辟了图像与Transformer结合这个新方向,基于Transformer的目标检测也成为一个新的研究热点。系统地总结了深度学习时代的目标检测算法,调查并研究了近五年目标检测的相关论文,重点从Anchorfree和Transformer两个角度对这些算法进行深入分析,介绍了这些算法在现实场景具体应用情况以及目标检测领域常用数据集,基于目前的研究现状对目标检测的未来可研究方向进行了展望。     

结合超像素和直方图阈值的显著区域检测算法

由于现有显著性检测算法得到的显著图内容差异较大,因此设计一种具有普遍适用性的显著区域检测算法以依据不同稀疏度的显著图进行高效率的检测仍是一个具有挑战性的问题。提出结合超像素分割方法和直方图阈值化分割方法以在不同的显著图上进行显著区域检测并提高检测效率。利用超像素分割方法对原图像进行分割计算,计算每个超像素的平均显著度值,并用该平均值取代超像素内每个像素的原像素值更新显著图,利用新显著图的直方图将显著图二值化以确定显著目标,利用一覆盖显著目标的最小矩形区域表示检测得到的显著区域。实验结果表明,在不同的显著图上,所提算法能有效检测显著区域,在检测效果的客观度量指标和时间性能指标上均优于现有算法。     

基于区域对比的图像显著性检测方法

随着计算机视觉的发展,图像显著区域检测在图像处理领域越来越重要。为了对自然图像中的显著区域进行准确的检测,提出了一种基于区域对比的图像显著性检测方法。首先对图像进行超像素分割预处理,然后利用图像的颜色特征和空间特征算出区域对比度,再结合图像子区域与其邻域像素平均特征向量的距离以及中心优先原则得到图像高质量的显著图。仿真实验结果表明,与其他的显著性检测算法相比,可以更加有效地检测出显著性目标,更好地抑制背景。     

图像物体分类与检测算法综述

图像物体分类与检测是计算机视觉研究中的两个重要的基本问题,也是图像分割、物体跟踪、行为分析等其他高层视觉任务的基础.该文从物体分类与检测问题的基本定义出发,首先从实例、类别、语义三个层次对物体分类与检测研究中存在的困难与挑战进行了阐述.接下来,该文以物体检测和分类方面的典型数据库和国际视觉算法竞赛PASCAL VOC竞赛为主线对近年来物体分类与检测的发展脉络进行了梳理与总结,指出表达学习和结构学习在于物体分类与检测中占有重要的地位.最后文中对物体分类与检测的发展方向进行了思考和讨论,探讨了图像物体识别中下一步研究可能的方向.     

基于视觉图形轮廓显著化的目标对象检测方法

目标检测是数字图像处理中的一项关键技术。提出针对视觉显著性图像中的目标检测算法,通过使用增强图像区域描述,区域差异性最大化描述来检测显著性图像中的目标。所提出的方法对图像进行平滑预处理,大大减少了算法的复杂度。实验结果表明,该方法能够成功用于对视觉显著性图像中的显著目标进行检测,并且其执行效率很高。所提出的方法可以应用于图像的分割、追踪与定位。     

基于霍夫神经网络模型的复材纹理方向检测

纹理方向是保证复材韧性和耐腐蚀性的重要参数，基于视觉的复材纹理方向检测方法具有非侵入式、成本低、精度高的特点而被广泛研究，但现有的复材纹理方向检测方法易受到背景干扰，且存在检测精度低和回归一致性差的问题，为此本文提出一种基于霍夫神经网络(Hough neural network, HNN)模型的复材纹理方向检测算法。针对图像中复材区域易受背景区域干扰而影响检测精度的问题，提出一种通道注意力残差网络模型来提取复材图像中的目标纹理区域。针对复材纹理方向检测精度低和回归一致性差的问题，提出一种由粗到精的纹理方向检测方法，基于HNN筛选出正确的纹理方向候选集，再根据候选集进行霍夫变换来回归出更精确的纹理方向。本文所提方法在建立的复材纹理方向检测数据集上进行了大量的测试和分析，验证了所提方法的可行性和有效性。     

肺部CT图像病变区域检测方法

肺部CT图像病变区域检测是肺病辅助诊断技术的重要研究内容,其通过自动分析CT图像并输出病变区域的位置和尺寸等信息,帮助放射科医生做出决策,有利于肺病的早期发现与治疗.本文回顾了肺部CT图像中病变区域自动检测方法所取得的进步,并引入一个通用框架表示和描述现有方法,对2012年以来肺部病变区域辅助检测算法进行了系统性分析和性能汇总.最后讨论了目前存在的问题和有待克服的困难,探讨了未来可能的发展方向.     

基于视觉显著性与PCNN的图像分割算法

针对射线缺陷检测图像对比度低、缺陷边缘模糊、噪声多、存在较大的背景起伏等缺点,传统缺陷检测方法难从焊缝缺陷图像中提取出对比度较低的目标缺陷的问题,该文提出了结合视觉显著性与脉冲耦合神经网络（PCNN）的缺陷分割算法。首先,利用LC算法对射线检测图像进行显著性区域检测,得到反映图像不同区域显著程度的显著图;其次,将所得到的显著图作为简化PCNN的输入图像,并利用最小交叉熵分割出感兴趣区域。实验结果表明,相较于传统的最大类间方差（Otsu）算法和脉冲耦合神经网络算法,采用该算法分割缺陷的效果较好,其分割边缘与细节信息的清晰度高,采用该算法分割缺陷的效果有较大提升。     

c_3通道高分辨率遥感图像阴影检测算法的改进EI北大核心CSCD

针对c3通道对噪声非常敏感,以及现有的基于c3通道遥感图像阴影检测算法存在的阴影检测不准确问题,提出改进的c3通道高分辨率遥感阴影检测算法.利用对数变换和阈值法对c3通道图像进行增强,提高了c3通道图像阴影区域与非阴影区域的对比度,进而提高了阴影像素的辨识度;通过扩展邻域范围并增加影响因子较高的像素点的权重进行图像平滑,有效地减弱了噪声对阴影像素提取的影响;增加2个方向的模板,利用高斯分布和抽样方法确定边缘阈值,提高了阴影区域边缘检测的准确度.实验结果表明,该算法提高了阴影检测的准确度,适应性较强,可较好地应用于高分辨率遥感图像的处理.