空域加权局部对比度的红外小目标检测算法

针对传统局部对比度算法在强杂波背景下,容易引入虚警目标的不足,提出了一种空域加权局部对比度的红外小目标检测算法。首先,利用具有中心激励和侧向抑制性的二维高斯差分滤波器,抑制了原始图像大部分的背景杂波,以提高图像的信噪比;然后,利用目标均值与邻域的中值的比值进行局部对比度测量,再用目标各区域的灰度均值差加权局部对比度,生成目标显著图;最后,对显著图进行自适应阈值分割,检测出真实目标。实验结果表明,与其他几种检测方法对比,该算法不仅具有较高的信躁比增益和背景抑制因子,还具有较高的检测率和较低的虚警率,是一种有效的红外小目标检测方法。     

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。     

基于压缩传感和加权主色的镜头边界检测算法

针对现有算法存在计算量大、对摄像机和物体运动 敏感等缺点,提出一种基于压缩传感(CS)和加权主色(WMC)的镜头边界检测(SBD)算法(CSWMC )。首先通过直方图特征得到粗略的镜头 边界集合;然后利用CS将该集合中的帧及其前后帧的高维特征投影到低维空间,采用调节余 弦相似度得到基 于夹角的第一判定指标;继而定义一种新的图像主色权值和基于该权值的类Bhattacharyya 相似度,得到基于颜色 相似度的第二判定指标;以两种判定指标的乘积作为最终判定指标,并设计一种朴素但有效 的策略进行SBD。 实验结果表明,与常用方法相比,所提算法具有更高的查全率和精确率,能够更加有效进行 SBD。     

图像边界检测的区域对比度模糊增强算法

分析了Pal的区域对比度模糊增强边界检测算法的不足,给出了一种新的用于增强图像区域之间对比度的广义模糊算子,并利用升半梯形模糊分布将空间域的灰度图像变换为对应的广义隶属度.最后给出的两个实例表明该算法提取图像边界速度快、效果好.     

基于视频图像对比度的团雾检测算法

提出了一种基于视频图像对比度的团雾检测算法。首先,利用二维多点各向异性高斯滤波器检测视频图像中边缘线的位置和方向。然后,利用本文提出的彩色图像对比度模型计算每幅视频图像边缘线区域的对比度值。最后,利用支撑向量机区分有雾视频图像所具有的不同对比度值,实现团雾浓度的检测。实验结果表明,该算法对复杂场景下的团雾检测效果优于传统的方法,是一种有效的团雾检测方法。     

基于进程行为的异常检测模型

利用系统漏洞实施攻击是目前计算机安全面临的主要威胁.本文提出了一种基于进程行为的异常检测模型.该模型引入了基于向量空间的相似度计算算法和反向进程频率等概念,区分了不同系统调用对定义正常行为的不同作用,提高了正常行为定义的准确性;该模型的检测算法针对入侵造成异常的局部性特点,采用了局部分析算法,降低了误报率.     

基于HVS的视频会议画面对比度无参考质量评价

对比度是衡量视频会议画面质量的一个重要指标,结合人眼视觉系统特性,引入视觉感兴趣人物画面的加权因子和非视觉感兴趣背景画面的加权因子,提出一种基于人眼视觉特性的视频会议画面对比度无参考质量评价方法.实验表明,该方法是一种行之有效的视频会议画面质量评价方法,测试结果与TID2013图像库中主观评价结果的符合度较好.     

基于非线性抗噪声估计的视觉显著性弱小目标检测

针对红外图像处理技术中弱小目标检测的重要性及关键性,提出一种基于非线性抗噪声估计的检测算法来解决高可靠性、高鲁棒性的弱小目标检测问题。提出的方法基于传统视觉显著度算法及空间距离处理方法,对目标及背景区域采用非线性加权方法进行估计,在不显著降低目标信号信噪比的基础上,削弱孤立微小噪声点对检测算法性能的影响,可提高抗噪性能。首先,采用模块化及非线性映射方式预测背景;然后,融入距离相关因子滤除噪声干扰;最后,在处理结束的图像上进行二值化阈值分割,自动检测并向下一级处理软件输出目标位置信息。实验结果表明:提出的算法与近年来先进的弱小目标检测算法相比,在受试者测试曲线上,在相同的虚警率下,可获得更高的检测率,对背景噪声的抑制很明显;在局部信噪比及背景抑制因子的测试比对数据上,提出的算法可获得更高的检测指标。缺点是算法采用了非线性处理技术,运算效率较低,需进一步优化算法以提高计算速度,实现算法的实时目标检测。     

图像分块重建的红外运动目标检测算法

背景差分法是目前运动检测中最常用的一种方法,具有检测位置准确,速度快等优点.背景提取是影响该方法检测效果的关键因素.针对背景差分算法中背景参考帧提取存在的问题,引入非相似度判别算法,给出了一种新的基于图像分块重建的红外运动目标检测方法.该算法在对图像进行合理的区域划分的基础上,利用相邻帧对应块的非相似度值判别出背景区域...     

结合视觉注意力机制基于尺度自适应局部对比度增强的红外弱小目标检测算法

如何在没有先验信息的情况下从复杂噪声背景下快速检测到远距离进入的弱小目标,提高整个装备系统的响应能力,是目前IRST热门研究课题。本文通过引入视觉注意机制,提出了一种结合尺度自适应的局部对比度测量的红外弱小目标检测方法。本文首先采用拉普拉斯金字塔尺度空间理论对所有像素点局部对比度进行分析,获得对应的自适应尺度信息;然后在跳出效应的基础上设计了一种基于改进的局部对比度测量模型,最终生成一个显著图来突出目标特性,该方法能够在增强目标对比度同时,抑制背景杂波。定性定量实验结果表明,本文提出的方法相比于对比算法具有较高的红外小目标检测性能,能够对对比度不低于5%的目标稳定检测,适合防空武器装备工程应用。     

基于区域协方差的视频显著度局部空时优化模型

显著度检测在计算机视觉中应用非常广泛,图像级的显著度检测研究已较为成熟,但视频显著度因其高度挑战性研究相对较少。该文借鉴图像级显著度算法的思想,提出一种通用的空时特征提取与优化模型来检测视频显著度。首先利用区域协方差矩阵构造视频的空时特征描述子,然后计算对比度得出初始显著图,最后通过联合前后帧的局部空时优化模型得到最终的显著图。在2个公开视频显著性数据集上的实验结果表明,所提算法性能优于目前的主流算法,同时具有良好的扩展性。     

基于卷积神经网络与全局优化的协同显著性检测

针对目前协同显著性检测问题中存在的协同性较差、误匹配和复杂场景下检测效果不佳等问题,该文提出一种基于卷积神经网络与全局优化的协同显著性检测算法。首先基于VGG16Net构建了全卷积结构的显著性检测网络,该网络能够模拟人类视觉注意机制,从高级语义层次提取一幅图像中的显著性区域;然后在传统单幅图像显著性优化模型的基础上构造了全局协同显著性优化模型。该模型通过超像素匹配机制,实现当前超像素块显著值在图像内与图像间的传播与共享,使得优化后的显著图相对于初始显著图具有更好的协同性与一致性。最后,该文创新性地引入图像间显著性传播约束因子来克服超像素误匹配带来的影响。在公开测试数据集上的实验结果表明,所提算法在检测精度和检测效率上优于目前的主流算法,并具有较强的鲁棒性。     

基于KL散度及多尺度融合的显著性区域检测算法

基于对超像素颜色概率分布间KL散度的计算,以及对多尺度显著图的融合处理,该文提出一种新的显著性区域检测算法。首先,采用超像素算法多尺度分割图像,在各尺度下用分割产生的超像素为节点,并依据超像素分割数量对各超像素进行适当邻接连通扩展,构建无向扩展闭环连通图。 其次,依据颜色判别力聚类量化各超像素内颜色,统计颜色聚类标签的概率分布,用概率分布间KL散度的调和平均值为扩展闭环连通图的边加权,再依据区域对比度并结合边界连通性,获取各尺度下的显著图。 最后,平均融合各尺度下显著图,并进行优化处理,得到最终的显著图。 在一些大型参考数据集上进行大量实验表明,所提算法优于当前一些先进算法,具有较高精确度和召回率,并且可以产生平滑显著图。     

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.     

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.     

Saliency detection for panoramic landscape images of outdoor scenes

Saliency detection has been researched for conventional images with standard aspect ratios, however, it is a challenging problem for panoramic images with wide fields of view. In this paper, we propose a saliency detection algorithm for panoramic landscape images of outdoor scenes. We observe that a typical panoramic image includes several homogeneous background regions yielding horizontally elongated distributions, as well as multiple foreground objects with arbitrary locations. We first estimate the background of panoramic images by selecting homogeneous superpixels using geodesic similarity and analyzing their spatial distributions. Then we iteratively refine an initial saliency map derived from background estimation by computing the feature contrast only within local surrounding area whose range and shape are changed adaptively. Experimental results demonstrate that the proposed algorithm detects multiple salient objects faithfully while suppressing the background successfully, and it yields a significantly better performance of panorama saliency detection compared with the recent state-of-the-art techniques.     

Salient object detection via boosting object-level distinctiveness and saliency refinement

Many salient object detection approaches share the common drawback that they cannot uniformly highlight heterogeneous regions of salient objects, and thus, parts of the salient objects are not discriminated from background regions in a saliency map. In this paper, we focus on this drawback and accordingly propose a novel algorithm that more uniformly highlights the entire salient object as compared to many approaches. Our method consists of two stages: boosting the object-level distinctiveness and saliency refinement. In the first stage, a coarse object-level saliency map is generated based on boosting the distinctiveness of the object proposals in the test images, using a set of object-level features and the Modest AdaBoost algorithm. In the second stage, several saliency refinement steps are executed to obtain a final saliency map in which the boundaries of salient objects are preserved. Quantitative and qualitative comparisons with state-of-the-art approaches demonstrate the superior performance of our approach.     

Salient region detection through sparse reconstruction and graph-based ranking

In this paper, we propose a salient region detection algorithm from the point of view of unique and compact representation of individual image. In first step, the original image is segmented into super-pixels. In second step, the sparse representation measure and uniqueness of the features are computed. Then both are ranked on the basis of the background and foreground seeds respectively. Thirdly, a location prior map is used to enhance the foci of attention. We apply the Bayes procedure to integrate computed results to produce smooth and precise saliency map. We compare our proposed algorithm against the state-of-the-art saliency detection methods using four of the largest widely available standard data-bases, experimental results specify that the proposed algorithm outperforms. We also show that how the saliency map of the proposed method is used to discover outline of object, furthermore using this outline our method produce the saliency cut of the desired object.