基于深层特征学习的可压缩感知及缝雕刻的图像重定向

多媒体技术的飞速发展推动了图像处理与显示设备 的应用与发展,为了使图像在不同的设备上进行最佳显示,需要对图像的尺寸进行调整。因 此,本文提出一种基于深层特征学习的可压缩感知及接缝雕刻的图像重定向方法。首先从预 先训练的VGG-19网络中提取输入图像的深度特征图,从最深层开始 计算特征图像的可压缩率,根据计算的可压缩率运用接缝雕刻的方法在特征域(Feature fie lds Seam Carving,FSC)调整特征图的大小,然后依次向较浅的层传播,得到所有特征层的 重定向图像后,将输入图像对应于第一层特征图的去缝的位置处的像素去掉,得到原始图像 的重定向图像。若没有达到目标图像的大小,最后再进行均匀缩放(scaling,SCL)。在Retar getMe数据集上分别进行主观与客观评估,结果表明,与其他方法相比,本文的重定向方法 总体上实现了更好的性能。     

融合深度信息的室内RGB图像视觉显著物体快速检测方法

针对传统视觉注意机制在室内三原色(RGB)图像视觉显著物体检测中存在的运算复杂、检测精度低等缺点,提出了一种融合深度信息的室内RGB图像视觉显著物体快速检测方法。对室内RGB图像进行降采样和金字塔量化处理,从而降低图片的空间分辨率和计算复杂度。利用亮度、红绿以及黄蓝三通道的多特征视觉注意机制显著性检测模型以获得室内RGB图像的显著图。在显著图分析中提出显著区域生长策略,从而获得视觉显著区域的精确轮廓。融合深度信息获取视觉显著区域内显著物体数目以及显著物体相互之间的位置关系。通过室内场景实验,验证了方法的可行性和有效性。     

多尺度注意力机制的电子元器件深度迁移识别方法

电子元器件的识别对于现代电子产品的智能生产和制造具有重要的作用,为了进一步获取电子元器件图像的关键特征,提升图像细粒度表达能力,提出一种基于多尺度注意力机制深度迁移识别方法。以Xception为主干网络架构,引入多尺度池化通道注意力和多尺度空间注意力模块,结合空间金字塔池化的思想,对特征图的每个通道进行不同尺度的最大池化和均值池化,获取通道方向上不同尺度的特征信息;在空间层面上进行不同尺度的空洞卷积,增大特征图的感受野,获取更加全面的空间特征信息;通过深度迁移学习,实现特征参数共享,进一步提高模型的泛化能力。在5种常见的电子元器件数据集上进行实验,结果表明,所提方法能有效获取图像不同尺度的显著特征信息,提升识别效果。     

基于深度传感器图像分割技术的研究

首先详细介绍了深度传感器获取深度信息的工作原理,并利用深度传感器获取到用户的深度图像信息.然后,对深度图像进行校正,具体包括深度距离与实际距离的转换、深度图像到空间三维坐标的转换、深度图像到RGB图像的配准.最后,利用最优阈值法实现了将预处理后的深度信息中人体与背景的分割.实验结果表明,此方案可以比较完整的提取出人体区域.     

多特征信息融合的人群密度估计方法

人群密度估计在智能安全防范领域具有重要的应用价值.针对人群密度估计在二维图像中视角变化呈现较大差异、特征空间信息丢失、尺度特征和人群特征提取困难等问题,提出了一种多特征信息融合的人群密度估计方法.该方法通过注意力机制引导的空间注意力透视(Perspective of spatial attention,PSA)方法,对图像多视角信息进行了有效信息编码,获取了特征图的空间全局上下文信息,弱化了视角变化带来的影响;而后通过多尺度信息聚合(Multi-Scale Information Aggregation,MSIA)方法,利用多尺度非对称卷积与不同膨胀率的空洞卷积进行了有效融合,获取了较为全面的图像尺度及特征信息.最终通过细致语义特征嵌入融合的方式,补充了高层特征图的空间信息及低层特征图的语义信息,并使上下文信息与尺度信息相互补充,提高了模型的准确度与鲁棒性.采用ShanghaiTech、Mall、Worldexpo'10数据集进行了实验验证,实验结果表明,所提方法的性能较其他对比方法有一定的提升.     

基于二元相息图的信息隐藏

将加权的二元相息图隐藏于彩色的宿主图像中,采用彩色图像直方图相似度研究了加入隐藏信息以后宿主图像色彩的变化以及隐藏信息权值对宿主图像色彩畸变的影响.被隐藏的二元相息图由原始待加密图像采用基于相息图迭代的双随机相位加密技术,用有记忆的模拟退火算法获得.该方法既保证了隐藏信息的安全性,又提高了信息提取时的光学效率,解码过程不依赖于原宿主图像.讨论了水印图像的不同剪切度对隐藏信息提取质量的影响.模拟实验结果证明了该方法的有效性.     

DIBR中基于平面扫描的深度重建方法

提出一种 DIBR 中基于平面扫描法的深度重建方法,与立体深度重建算法和基于图像的视觉壳算法不同,本文进一步改进平面扫描算法,无需任何场景的几何先验知识,而是利用每个像素点的深度信息合成真实场景的虚拟视点.当输入图像映射至相互平行的虚拟深度平面时,采用"动态判决方法"来计算像素间的色彩一致度;并在虚拟视合成中采用了基于视向权重策略的新视点重建方法.本文算法获取的深度信息更为精确,虚拟新视点的质量得到较大提高.     

基于多聚焦红外图像的温度测量及三维重构

由于红外镜头景深小,测量表面超过景深范围的样品不能得到所有位置均清晰聚焦的红外图像。提出了基于多聚焦图像融合的曲面温度测量及被测物体三维重构的方法。该方法采集同一视场不同聚焦深度的红外图像,利用多聚焦图像融合算法,获取所有位置均清晰聚焦的红外图像,即准确的红外信息。再查温度标定表,根据灰度值可得准确的温度值。最后,利用多聚焦图像系列附带的深度信息重构出表面三维高度图。实验表明,应用此方法可以准确测量物体表面温度信息,三维重构图与全聚焦图像形成信息互补。     

基于区域特征融合的RGBD显著目标检测

为了对各类自然场景中的显著目标进行检测,本文提出了一种将图像的深度信息引入区域显著性计算的方法,用于目标检测。首先对图像进行多尺度分割得到若干区域,然后对区域多类特征学习构建回归随机森林,采用监督学习的方法赋予每个区域特征显著值,最后采用最小二乘法对多尺度的显著值融合,得到最终的显著图。实验结果表明,本文算法能较准确地定位RGBD图像库中每幅图的显著目标。     

基于样条曲线的一种遥感图像去云方法

在可见光遥感图像中,常常因为云的阻挡而很难获得有云区域的信息.在没有预知信息的情况下,为了从一幅图像中获取有云区域的信息,采用基于样条曲线的方法,对有云区域像素的亮度值进行拉伸,得到去云后的遥感图像,既保持了云区与边界的连续性,又容易获取云区域内的信息.再使用高通滤波器与云区内像素亮度值进行卷积,突出了云区内的图像信息.实验结果表明,对于一幅有1/4被乌云覆盖的遥感图像,突出了云区内隐藏的丰富信息,能获取诸如水坝的墙体、水流等重要信息,说明图像增强技术的多样性.     

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。     

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.     

A depth perception and visual comfort guided computational model for stereoscopic 3D visual saliency

With the emerging development of three-dimensional (3D) related technologies, 3D visual saliency modeling is becoming particularly important and challenging. This paper presents a new depth perception and visual comfort guided saliency computational model for stereoscopic 3D images. The prominent advantage of the proposed model is that we incorporate the influence of depth perception and visual comfort on 3D visual saliency computation. The proposed saliency model is composed of three components: 2D image saliency, depth saliency and visual comfort based saliency. In the model, color saliency, texture saliency and spatial compactness are computed respectively and fused to derive 2D image saliency. Global disparity contrast is considered to compute depth saliency. Particularly, we train a visual comfort prediction function to distinguish stereoscopic image pair as high comfortable stereo viewing (HCSV) or low comfortable stereo viewing (LCSV), and devise different computational rules to generate a visual comfort based saliency map. The final 3D saliency map is obtained by using a linear combination and enhanced by a “saliency-center bias” model. Experimental results show that the proposed 3D saliency model outperforms the state-of-the-art models on predicting human eye fixations and visual comfort assessment.     

基于无监督栈式降噪自编码网络的显著性检测算法

针对现有的显著性检测算法检测目标类型单一、通用性差的问题,提出一种基于无监督栈式降噪自编码网络的显著性检测算法.该算法利用无监督栈式降噪自编码网络（Stacked Denoising Auto Encoder,SDAE）在多个尺度对原始图像进行稀疏重构,将原始图像与SDAE网络重构图像之间的差作为显著图,二值化后的显著图作为显著性目标检测结果.在SDAE网络训练过程中,将原始图像作为原始数据,网络重构的图像作为观察数据.为了提升网络训练效率,首先利用无监督逐层贪婪方法训练同结构的深度信念网络（Deep Belief Network,DBN）,将训练得到的DBN网络参数设为SDAE网络的初始参数,再计算原始数据与观察数据之间的互信息作为网络收敛代价,利用反向传播进行网络参数微调.实验表明,该网络模型可以完成多类型目标的显著性检测,具有通用性好,准确度高等优点.     

一种基于加权稀疏编码的频域视觉显著性检测算法

 针对现有的基于频域的视觉显著性检测算法检测准确度不高的弱点,本文提出了一种基于加权稀疏编码的频域算法,旨在提高检测准确度的同时保持频域算法运算速度快的优势.在传统的稀疏编码算法基础上,本文根据各子码的增量编码长度来设置它们的权重,实现对图像的加权稀疏编码而不是直接对原始图像进行处理.最后,为了处理多维的稀疏编码信号,本文利用信息论的思想对最新发表的图像签名算法进行了多通道改进,以香农自信息的形式输出图像的显著性检测结果.在公开的人眼跟踪数据库上同9种流行算法的实验对比和对算法复杂度的分析证明了本文算法的有效性和快速性.     

基于多特征扩散方法的显著性物体检测

现有的大部分基于扩散理论的显著性物体检测方法只用了图像的底层特征来构造图和扩散矩阵,并且忽视了显著性物体在图像边缘的可能性。针对此,该文提出一种基于图像的多层特征的扩散方法进行显著性物体检测。首先,采用由背景先验、颜色先验、位置先验组成的高层先验方法选取种子节点。其次,将选取的种子节点的显著性信息通过由图像的底层特征构建的扩散矩阵传播到每个节点得到初始显著图,并将其作为图像的中层特征。然后结合图像的高层特征分别构建扩散矩阵,再次运用扩散方法分别获得中层显著图、高层显著图。最后,非线性融合中层显著图和高层显著图得到最终显著图。该算法在3个数据集MSRA10K,DUT-OMRON和ECSSD上,用3种量化评价指标与现有4种流行算法进行实验结果对比,均取得最好的效果。     

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.     

基于弱显著图的实时热红外图像行人检测

针对现有热红外图像行人检测方法在精度和速度方面存在的问题,提出一种基于弱显著图的实时行人检测方法。该方法以轻量级LFFD（Light and Fast Face Detector）网络为基础,由两级改进网络即SD-LFFD（Saliency Detection-LFFD）和SF-LFFD（Saliency Fusion-LFFD）组成,首先以热红外图像作为输入经SD-LFFD网络产生初步行人检测结果和行人区域弱显著图,接着将该弱显著图与原热红外图像结合“点亮”潜在行人区域并经SF-LFFD网络产生新的行人检测结果,最后将两级改进网络的行人检测结果融合得到最终结果。在数据集CVC-09和CVC-14上实验结果表明,该方法与现有轻量级神经网络相比行人检测的平均精确率有大幅提升,且在有限硬件资源下可实现实时检测。     

对象引导的单幅散焦图像深度提取方法

2D图像转3D图像是解决3D影视内容缺乏的主要手段之一,而深度提取是其中的关键步骤.考虑到影视作品中存在大量散焦图像,提出单幅散焦图像深度估计的方法:首先通过高斯卷积将散焦图像转换成两幅模糊程度不同的图像;其次计算这两幅图像在边缘处的梯度幅值比例,进而根据阶跃信号与镜头的卷积模型得到边缘处的模糊度;再次将边缘处的模糊度转换成图像的稀疏深度并利用拉普拉斯矩阵插值得到稠密深度图;最后通过图像的视觉显著度提取前景对象,建立对象引导的深度图优化能量模型,使前景的深度趋于一致并平滑梯度较小区域的深度.该方法利用对象引导的深度优化,剔除了拉普拉斯矩阵插值引入深度图的纹理信息.模拟图像的峰值信噪比和真实图像的视觉对比均表明该算法比现有方法有较大改善.