基于图像检测的硬币面值识别方法

为了实现同时对多个硬币面值的准确识别,文中提出一种基于图像检测的硬币面值识别方法。首先逐步采用中值滤波、阈值分割以及形态学操作对灰度图像中的硬币进行ROI提取,实现硬币的粗定位;然后以ROI的外接最小矩形作为研究区域从原图提取图像,并由RGB颜色空间转化到HSV颜色空间,通过颜色特征的不同识别出5角硬币;最后采用SSIM图像质量评价的方法将剩余ROI中的1角硬币与1元硬币检测识别。结果表明,该硬币面值识别方法在不需要精确获得硬币大小尺寸的情况下,可以同时对多个硬币进行准确识别。     

基于HSV色彩空间与形状特征的交通灯自动识别

为了在复杂的环境中准确识别出交通灯信息,提出一种基于HSV色彩空间和形状特征的交通灯识别方法.该方法首先将图像的RGB色彩空间转换成HSV色彩空间,并根据HSV色彩空间中的H与V无关性,利用不同颜色的H阈值对图像进行分割提取候选区域;然后对原图像经预处理及灰度形态学操作后,利用Hough变换检测目标可能位置;最后把目标疑似位置与候选区域进行逻辑滤波融合,并对融合后图像依据颜色H值判定交通灯信息.该方法对480幅各种场景下的交通灯图片进行实验,结果表明该方法具有很强的鲁棒性、稳定性和高效性,能够较好地识别出交通灯.     

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。     

基于颜色特征判别的纸病图像分割研究

针对当前纸病检测中图像分割算法的精确性及抗干扰性问题,文中提出了一种基于颜色特征判别的纸病图像分割算法。首先建立RGB颜色空间模型,提取空间分量信息特征,然后分别对RGB图像的3个通道的像素值进行可靠性计算,最后通过逻辑"或"运算融合单通道的计算结果,得到分割图像。结果表明:该算法定位准确、抗干扰性强,能够精确分割纸病图像,满足纸病检测要求。     

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。     

基于粗糙度测量和颜色距离的织物缺陷检测方法

针对周期性纹理背景影响织物缺陷检测效果的问题,提出了一种基于粗糙度测量和颜色距离的织物缺陷检测方法。该方法先将待检测图像由RGB颜色空间转换到HSV颜色空间,并分别对三通道进行同态滤波处理,以提升缺陷与背景之间的对比度;利用粗糙度测量对织物图像进行分类,并将同一类别的织物图像分成大小相同且互不重叠的图像分块,分别估计各个图像分块与其八邻域图像分块的颜色距离,从而实现对缺陷的粗定位;最后对粗定位图像分块进行显著性和二值化处理,有效减少了周期性纹理背景对检测结果的影响。实验结果表明:与近期4种方法相比,本文方法对周期性纹理织物图像表现出了较好的检测效果,检测准确率更高。     

基于颜色空间的单幅图像去雾算法

为改善雾天图像对比度差、能见度低的特点,本文结合雾天成像模型和暗原色先验规律,在颜色空间的基础上提出了一种去雾新算法。首先,在RGB颜色空间,根据暗原色先验规律估计出空气光,然后将图像从RGB颜色空间转换到HSI和HSV颜色空间,再对HSV空间下的明度分量运用大气散射模型进行去雾处理,最后再对HSI空间下的饱和度分量进行校正,最终得到去雾之后的图像。通过该算法能得到清晰化的图像,并且该算法较之传统的单幅图像去雾方法,速度更快、效果更自然。     

基于图像特征的铁路车辆制动组件异常检测

铁路车辆制动组件图像目标与背景无法分离,导致组件异常检测结果不精准,提出基于图像特征的铁路车辆制动组件异常检测方法。使用TFDS系统采集车辆制动组件图像,构建图像区域阶段矩阵和中心矩阵,使用二值化处理方法预处理图像。构建图像特征模型,将RGB空间转换为HSV空间,根据颜色感知度对图像进行非均匀量化处理,利用欧氏距离分析图像帧间差异。利用K-means统计理论,将不同位置特征与背景属性值转换为距离矩阵,通过计算被聚类对象和其感知范围内所有对象整体相似性,结合异常序列实现制动组件异常检测。由实验结果可知,该方法能够清晰识别制动缸体压强异常情况,经过7 min保压后检测的压强为127 kPa,与实际压强一致,检测结果精准。     

基于感知颜色特征、子图像分割和多重Bitmap的彩色图像检索方法

在文献[1]的基础上提出改进,采用能够更准确描述感知颜色联系的HSV颜色空间代替传统的RGB颜色空间;对图像进行空间子图像划分,结合颜色特征与空间信息进行检索;通过提取图像颜色的上均值、下均值,获取多重Bitmap特征,扩展比较图像内容差异时所利用的信息范围.实验结果表明,提出的算法比文献[1]算法的检索性能有明显的改进.     

多光谱图像技术在土壤酸碱度检测中的应用

提出了一种利用多光谱图像的颜色特征对土壤酸碱度(pH值)进行快速无损检测的方法。首先,利用2CCD多光谱成像仪获取每个土壤样本的R、G、B、NIR图像各一幅,并对多光谱图像进行颜色空间转换,即从RGB色彩空间分别转换到HSV颜色空间和Lab颜色空间;然后提取不同颜色空间中多光谱图像的颜色特征;最后,分别将提取的颜色特征作为模型的输入变量,建立PLS和LS-SVM算法的土壤酸碱度预测模型。实验结果表明,利用多光谱图像技术对土壤酸碱度进行检测是可行的。预测模型的最佳结果如下:决定系数(R~2)为0.91,预测均方根误差(RMSEP)为0.34.     

Extraction technique of region of interest from stereoscopic video

A feature fusion approach is presented to extract the region of interest (ROI) from the stereoscopic video. [0]Based on human vision system (HVS), the depth feature, the color feature and the motion feature are chosen as vision features. [0]The algorithm is shown as follows. Firstly, color saliency is calculated on superpixel scale. Color space distribution of the superpixel and the color difference between the superpixel and background pixel are used to describe color saliency and color salient region is detected. Then, the classic visual background extractor (Vibe) algorithm is improved from the update interval and update region of background model. The update interval is adjusted according to the image content. The update region is determined through non-obvious movement region and background point detection. So the motion region of stereoscopic video is extracted using improved Vibe algorithm. The depth salient region is detected by selecting the region with the highest gray value. Finally, three regions are fused into final ROI. Experiment results show that the proposed method can extract ROI from stereoscopic video effectively. In order to further verify the proposed method, stereoscopic video coding application is also carried out on the joint model (JM) encoder with different bit allocation in ROI and the background region.     

YUV空间中基于稀疏自动编码器的无监督特征学习

现有无监督特征学习算法通常在RGB色彩空间进行特征提取,而图像和视频压缩编码标准则广泛采用YUV色彩空间。为了利用人类视觉特性和避免色彩空间转换所消耗的计算量,该文提出一种基于稀疏自动编码器在YUV色彩空间进行无监督特征学习的方法。首先在YUV空间随机采集图像子块并进行白化处理,然后利用稀疏自动编码器进行无监督局部特征学习。在预处理阶段,针对YUV空间亮度和色度通道相互独立的特性,提出一种将亮度和色度进行分离的白化措施。最后用学习到的局部特征在大尺寸图像上进行卷积操作从而获得全局特征,并送入图像分类系统进行性能测试。实验结果表明:只要对亮度分量进行适当的白化处理,在YUV空间中的无监督特征学习就能够获得相当于甚至优于RGB空间的彩色图像分类性能。     

基于多模态特征融合监督的RGB-D图像显著性检测

RGB-D图像显著性检测是在一组成对的RGB和Depth图中识别出视觉上最显著突出的目标区域。已有的双流网络,同等对待多模态的RGB和Depth图像数据,在提取特征方面几乎一致。然而,低层的Depth特征存在较大噪声,不能很好地表征图像特征。因此,该文提出一种多模态特征融合监督的RGB-D图像显著性检测网络,通过两个独立流分别学习RGB和Depth数据,使用双流侧边监督模块分别获取网络各层基于RGB和Depth特征的显著图,然后采用多模态特征融合模块来融合后3层RGB和Depth高维信息生成高层显著预测结果。网络从第1层至第5层逐步生成RGB和Depth各模态特征,然后从第5层到第3层,利用高层指导低层的方式产生多模态融合特征,接着从第2层到第1层,利用第3层产生的融合特征去逐步地优化前两层的RGB特征,最终输出既包含RGB低层信息又融合RGB-D高层多模态信息的显著图。在3个公开数据集上的实验表明,该文所提网络因为使用了双流侧边监督模块和多模态特征融合模块,其性能优于目前主流的RGB-D显著性检测模型,具有较强的鲁棒性。     

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）。      

RGB空间下结合高斯曼哈顿距离图的彩色图像边缘检测

为了能够更好地利用彩色图像的信息进行边缘检测,提出一种RGB空间下结合高斯曼哈顿距离图的彩色图像边缘检测方法.首先分析了彩色图像到灰度图像转换的信息损失,并给出一种RGB空间下边缘的度量方法.其次,通过引入高斯曼哈顿距离,分别在RGB三个通道进行处理,并通过新的边缘度量法统一获得彩色图像的距离图.最后将距离图映射到0~255的灰度范围内,得到最终的边缘检测结果.实验结果表明,本文方法具有较高的处理速度和较好的处理结果.     

Saliency detection in the compressed domain for adaptive image retargeting

Saliency detection plays important roles in many image processing applications, such as regions of interest extraction and image resizing. Existing saliency detection models are built in the uncompressed domain. Since most images over Internet are typically stored in the compressed domain such as joint photographic experts group (JPEG), we propose a novel saliency detection model in the compressed domain in this paper. The intensity, color, and texture features of the image are extracted from discrete cosine transform (DCT) coefficients in the JPEG bit-stream. Saliency value of each DCT block is obtained based on the Hausdorff distance calculation and feature map fusion. Based on the proposed saliency detection model, we further design an adaptive image retargeting algorithm in the compressed domain. The proposed image retargeting algorithm utilizes multioperator operation comprised of the block-based seam carving and the image scaling to resize images. A new definition of texture homogeneity is given to determine the amount of removal block-based seams. Thanks to the directly derived accurate saliency information from the compressed domain, the proposed image retargeting algorithm effectively preserves the visually important regions for images, efficiently removes the less crucial regions, and therefore significantly outperforms the relevant state-of-the-art algorithms, as demonstrated with the in-depth analysis in the extensive experiments.     

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。     

融合高低层多特征的显著性检测算法

针对单一显著性特征无法全面表达图像显著性致使显著性检测精度不高等问题，本文提出了一种多特征融合的显著性检测算法。算法在高层先验知识基础上，对靠近中心的超像素设置高显著值，利用高斯分布求解中心先验；在底层特征上融合图像的边界稀疏、全局对比度、颜色空间分布和超级像素差异等4种显著特征，利用类间差异最大阈值对高低层特征进行线性和非线性融合，最终得到高质量的显著图。在MSRA-1000、SED、SOD 3个公开的数据集上进行实验，结果表明：本文算法融合得到的显著图边缘清晰、显著区域突出均匀，在有效抑制背景信息的同时所得显著图像视觉感知更好，与其他显著性算法相比查全率和查准率上至少提高3.4%。