融合颜色特征和对比度特征的图像显著性检测

图像显著性检测能够获取一幅图像的视觉显著性区域,是计算机视觉的研究热点之一。提出一种结合颜色特征和对比度特征的图像显著性检测方法。首先构造图像在HSV空间的颜色函数以获取图像颜色特征;然后使用SLIC超像素分割算法对图像进行预处理,基于超像素块的对比度特征计算图像显著性;最后将融合颜色特征和对比度特征的显著图经过导向滤波优化形成最终的显著图。使用本文算法在公开数据集MSRA-1000上进行图像显著性检测,并与其他6种算法进行比较。实验结果表明本文算法结合了图像像素点和像素块的信息,检测的图像显著性区域轮廓更加完整,优于其他方法。     

视觉注意驱动的基于混沌分析的运动检测方法

提出了视觉注意驱动的基于混沌分析的运动检测方法(MDSA)。MDSA首先基于视觉注意机制提取图像的显著区域,而后对显著区域进行混沌分析以检测运动目标。算法技术路线为:首先根据场景图像提取多种视觉敏感的底层图像特征;然后根据特征综合理论将这些特征融合起来得到一幅反映场景图像中各个位置视觉显著性的显著图;而后对显著性水平最高的图像位置所在的显著区域运用混沌分析的方法进行运动检测;根据邻近优先和返回抑制原则提取下一最显著区域并进行运动检测,直至遍历所有的显著区域。本文对传统的显著区域提取方法进行了改进以减少计算量:以邻域标准差代替center-surround算子评估图像各位置的局部显著度,采用显著点聚类的方法代替尺度显著性准则提取显著区域;混沌分析首先判断各显著区域的联合直方图（JH）是否呈现混沌特征,而后依据分维数以一固定阈值对存在混沌的JH中各散点进行分类,最后将分类结果对应到显著区域从而实现运动分割。MDSA具有较好的运动分割效果和抗噪性能,对比实验和算法开销分析证明MDSA优于基于马塞克的运动检测方法（MDM）。      

显著物体提取算法综述

随着基于显著性的视觉注意计算框架的演化和机器视觉应用的不断增长,显著物体提取成为基于显著性的视觉注意研究领域的重要研究方向。文中介绍了显著物体提取算法的最新研究成果。首先给出了显著物体提取的关键问题。然后根据不同的提取框架对现有的显著物体提取算法进行了分类和分析。并在一个包含1 000幅图像的公开的显著物体数据集上对不同的显著物体提取算法进行了评测。最后总结并展望了显著物体提取算法下一步发展方向。     

基于视觉显著模型的遥感图像舰船快速检测

为了降低传统高分辨率海面遥感图像舰船目标检测方法的计算复杂度,提高检测速度,在舰船目标检测中引入了基于直方图对比度的视觉显著模型和空间降维算法,提出一种新的高分辨率海面遥感图像舰船目标快速检测算法。首先对高分辨率遥感图像进行空间降维,然后计算降维图的视觉显著图,突出感兴趣目标区域,最后利用最大类间方差法分割视觉显著图以获取舰船目标候选区域。结果表明,目标检测所消耗的时间减小为原来的10%~12%,弱化了复杂海面纹理背景对目标检测的影响。该研究提高了高分辨率遥感图像舰船目标的检测效率。     

图像型垃圾邮件中文字区域检测方法的研究

分析了现有文字区域检测方法,介绍了图像型垃圾邮件文字区域检测算法,并结合实验数据进行了验证分析。     

协同视觉显著性检测方法综述

协同视觉显著性检测是视觉注意力计算领域中一个快速发展的新兴分支,致力于检测多幅相关场景图像中的公共显著目标,在各种计算机视觉任务中有广泛应用.考虑到特征提取策略的设计是协同视觉显著性检测当前研究的重点,本文首先根据特征提取策略的不同对现有的协同视觉显著检测方法进行了分类介绍和定性分析.其次,通过在5个公开数据库上的主观和定量对比,对各流行算法的性能进行了评估,分析了特征提取策略对算法性能的影响以及各数据库的复杂度,并验证了协同视觉显著性检测和视觉显著性检测的区别.最后,对本文工作进行了总结,并对当前研究中存在的问题和未来的研究工作进行了讨论.     

基于视觉注意机制的UWB SAR叶簇隐蔽目标变化检测

在超宽带合成孔径雷达叶簇隐蔽目标检测中,传统的UWB SAR图像变化检测方法易受图像灰度值起伏和成像条件变化的影响,致使现有的变化检测算法的性能下降.本文根据人类视觉系统的生理结构和认知特点,提出了一种基于视觉注意机制的叶簇隐蔽目标变化检测算法.该方法使用视觉注意模型,将图像的多尺度特征信息融合为单幅视觉显著图像,并利用图像局部邻域信息和目标的空间相关特性对视觉显著图中视觉注意焦点进行分层筛选和变化检测.实验结果表明:本文中基于视觉注意机制的变化检测方法可以有效检测多时相UWB SAR图像中的叶簇隐蔽目标,较之传统的基于统计原理的变化检测方法,其检测速度更快,且对场景复杂的UWB SAR图像亦具有鲁棒性.     

基于图像的对称性识别算法研究

在视觉特征描述中,对称性是一个重要特征,对称性检测是图像特征检测的重要内容,其广泛应用于图像处理、计算机视觉、信息传输等领域,且拥有广阔的应用前景。文中给出了对称性分类及几种相关典型的算法,重点介绍了基于相位信息和基于SIFT算子的检测图像对称性的方法。并采用这两种方法通过选取不同类别的图像进行实验,对实验结果图进行对比分析,提出了一种基于封闭轮廓角点信息的对称性检测方法,并对其进行了初步探索。     

一种改进的Sobel自适应边缘检测的FPGA实现

针对经典Sobel边缘检测算法对噪声比较敏感而且需要人为指定阈值等问题,提出了一种Sobel自适应边缘检测方法。首先,对经典Sobel算法改进,增加了检测方向,根据待测像素背景灰度值和人眼视觉特性自适应地生成阈值,从而检测出与人的主观视觉更为一致的图像边缘,然后对边缘图像进行形态学处理,增强了算法的抗噪性。将改进的边缘检测算法在单片FPGA上实现,利用FPGA高速并行处理的优势,系统能够实时采集、检测图像边缘并显示高帧频高分辨率图像。     

基于图像的人数统计方法综述

人数统计一直是计算机视觉系统研究的一个重要内容,近年来广泛用于多种场合,利用图像信息对教室中的人数进行统计已经成为主流。文章首先通过对近年来的相关文献进行整理和归纳,总结出适用于教室环境中的人数统计方法,并将适用于教室环境中的人数检测算法分成3类进行讨论:基于人头检测的方法、基于肤色检测的方法、基于人脸检测的方法;其次,对典型的算法针对教室人数进行了仿真重现;最后对各种算法进行了分析和总结。     

基于MSP-ROA边缘检测的SAR图像分割

该文以卡通模型为SAR图像分割的理论依据,提出了一种基于MSP-ROA边缘检测的SAR图像分割算法,算法中对边缘检测的结果做种子生长、标注和区域填充,并根据相似性准则对填充的初始分割结果进行相邻区域的合并处理,最终得到同质性和连通性都较好的SAR图像分割结果;文中给出了SAR图像分割处理的性能评估指标,并用实测的SAR图像数据验证了上述算法,最后给出了与其它分割方法比较的结果.     

图像边缘检测算法的性能比较与分析

图像边缘检测一直以来都是图像处理与分析领域的研究热点。对具有代表性的图像边缘提取方法进行了讨论,分析了这些算子进行边缘检测的优缺点,以及导致他们效果差异的具体原因。为了更清楚地看出效果,针对标准例图picture,给出了这些算法的仿真实验效果,最后对实验结果进行了分析,这对于进一步学习和寻找更好的数字图像边缘检测方法具有一定的指导意义。     

基于全卷积网络的语义显著性区域检测方法研究

基于底层视觉特征和先验知识的显著性区域检测算法难以检测一些复杂的显著性目标,人的视觉系统能分辨这些目标是由于其中包含丰富的语义知识.本文构建了一个基于全卷积结构的语义显著性区域检测网络,用数据驱动的方式构建从图像底层特征到人类语义认知的映射,提取语义显著性区域.针对网络提取的语义显著性区域的缺点,本文进一步引入颜色信息、目标边界信息、空间一致性信息获得准确的超像素级前景和背景概率.最后提出一个优化模型融合前景和背景概率信息、语义信息、空间一致性信息得到最终的显著性区域图.在6个数据集上与15种最新算法的比较实验证明了本文算法的有效性和鲁棒性.     

A heuristic framework for perceptual saliency prediction

Saliency prediction can be regarded as the human spontaneous activity. The most effective saliency model should highly approximate the response of viewers to the perceived information. In the paper, we exploit the perception response for saliency detection and propose a heuristic framework to predict salient region. First, to find the perceptually meaningful salient regions, an orientation selectivity based local feature and a visual Acuity based global feature are proposed to jointly predict candidate salient regions. Subsequently, to further boost the accuracy of saliency map, we introduce a visual error sensitivity based operator to activate the meaningful salient regions from a local and global perspective. In addition, an adaptive fusion method based on free energy principle is designed to combine the sub-saliency maps from each image channel to obtain the final saliency map. Experimental results on five natural and emotional datasets demonstrate the superiority of the proposed method compared to twelve state-of-the-art algorithms.     

基于MIMO的垂直分层空时码检测算法

分层空时码(BLAST)是贝尔实验室提出的一种基于多入多出(MIMO)传输方式的空时码系统。本文着重研究了BLAST系统中一类垂直分层空时码的检测算法,依据信号模型,分析推导了基于迫零准则和最小均方误差准则的估计算法,并在此基础上采用了以上算法与判决反馈及最佳排序思想结合的方法,使系统的误码率性能得到了提高。最后通过仿真实验比较了各种算法的性能和特点,结果表明分层空时码用于无线通信具有极大优势。     

SUSAN算法与虚拟圆技术在图像配准中的应用

图像配准是数字图像处理中的一个重要研究方向。在本文中把SUSAN算法和虚拟圆技术结合起来。提出了一种新的图像配准方法。经过SUSAN算法处理并二值化后的图像去除了原图像中的大部分信息，只保留了明显的边缘信息．这样就大大提高了虚拟圆的提取速度。试验表明这种新的配准方法具有简单、高效并具有较高的准确度等优点。     

基于深度学习的图像显著对象检测

显著区域检测可应用在对象识别、图像分割、视 频/图像压缩中,是计算机视觉领域的重要研究主题。然而,基于不 同视觉显著特征的显著区域检测法常常不能准确地探测出显著对象且计算费时。近来,卷积 神经网络模型在图像分析和处理 领域取得了极大成功。为提高图像显著区域检测性能,本文提出了一种基于监督式生成对抗 网络的图像显著性检测方法。它 利用深度卷积神经网络构建监督式生成对抗网络,经生成器网络与鉴别器网络的不断相互对 抗训练,使卷积网络准确学习到 图像显著区域的特征,进而使生成器输出精确的显著对象分布图。同时,本文将网络自身误 差和生成器输出与真值图间的 L1距离相结合,来定义监督式生成对抗网络的损失函数,提升了显著区域检测精度。在MSRA 10K与ECSSD数据库上的实 验结果表明,本文方法 分别获得了94.19%与96.24%的准确率和93.99%与90.13%的召回率,F -Measure值也高达94.15%与94.76%,优于先 前常用的显著性检测模型。