基于背景和前景交互传播的图像显著性检测

为了更精确地提取图像中的显著性区域,提出一种新的基于背景和前景交互传播的图像显著性检测计算模型。通过建立一个新的模型来寻找图像中的显著性元素,用一种交互式特征传播方法来扩散显著性特征。采用不同参数对图像进行分割,得到多个尺度下的超像素;在单一尺度下通过背景和前景交互传播获得超像素的显著值;对多个显著值进行加权平均融合,并采用平滑机制进行优化得到最终显著图。在公开图像数据库进行的试验结果表明,该模型提高了对图像显著目标大小的适应性,不仅较好地抑制了噪声,还使得显著目标更均匀地凸显出来,结果优于同类的算法。     

三分支多层次Transformer特征交互的RGB-D显著性目标检测

RGB-D显著性目标检测是计算机视觉领域的研究任务之一,很多模型在简单场景下取得了较好的检测效果,却无法有效地处理多目标、深度图质量低下以及显著性目标色彩与背景相似等复杂场景。因此,本文提出一种三分支多层次Transformer特征交互的RGB-D显著性目标检测模型。首先,本文采用坐标注意力模块抑制RGB和深度图的噪声信息,提取出更为显著的特征用于后续解码。其次,通过特征融合模块将高层的三层特征图调整到相同的分辨率送入Transformer层,有效获取远距离显著性目标之间的关联关系和整幅图像的全局信息。然后,本文提出一个多层次特征交互模块,该模块通过有效地利用高层特征和低层特征对显著性目标的位置和边界进行细化。最后,本文设计一个密集扩张特征细化模块,利用密集扩张卷积获取丰富的多尺度特征,有效地应对显著性目标数量和尺寸变化。通过在5个公开的基准数据集与19种主流模型相比,实验结果表明:本文方法在多个测评指标上有较好的提升效果,提高了在特定复杂场景下的检测精度,从P-R曲线、F-measure曲线和显著图也可以直观看出本文方法实现了较好的检测结果,生成的显著图更完整、更清晰,相比其他模型更加接近真值图。     

基于空间分布特性和局部复杂度的显著目标检测算法

目前的视觉注意显著区域检测算法,主要依赖像素间的相互对比,缺乏从全局角度对显著目标的分析理解。依据显著目标是显眼、紧凑和完整的思路,提出一种基于目标空间分布特性和局部复杂度的无监督视觉注意显著目标自动提取算法。首先根据局部区域与其多个尺度邻域的对比,得到亮度显著图;然后利用颜色信息的显眼性、空间分布和区域一致性得到颜色显著图;同时通过对方向的空间分布和局部复杂度进行多尺度分析得到方向显著图;最后通过显著值的空间分布和面积增强因子相结合的融合策略得到输入图像的显著图,根据显著区域确定感兴趣区域位置,在基础上完成目标检测。将此方法应用于各类具有不同特点的彩色图像进行仿真实验,得到较好的检测结果,表明该算法是切实可行。     

遥感图像中基于视觉显著性的分层目标检测

针对遥感图像自动判读的应用场景,提出了一种基于视觉显著性的分层目标检测方法。该方法对于每一个特征定义一个偏好函数,并定义一个将各偏好函数计算的多个视觉显著性图像合成为一个视觉显著性图像的合成偏好函数。首先对低分辨率目标图像分别使用各偏好函数计算对应特征的视觉显著性图像;然后使用合成偏好函数计算合成的视觉显著性图像;最后定位出合成偏好函数取得最大值的区域,并将其作为最有可能包含目标的候选区域。这三个步骤在定位出的候选区域对应更高分辨率的图像上反复进行,直到待检测目标被发现或者被确定不存在为止。实验结果证明,该方法能够尽早地略过那些不包含目标的区域,与传统的目标检测方法相比,具有更好的检测效果和更少的计算量。     

基于信息弥散机制的图像显著性区域提取算法

为了更好提取图像的显著性区域,提出基于信息弥散机制的图像显著性区域检测算法。在所提算法中,首先将图像分割成超像素,根据图像中显著性区域频率变化比较大的特性,生成图像显著性区域的高频节点;然后针对高频节点利用凸包运算寻找显著性区域的种子节点,最后使用二阶高斯-马尔科夫随机场信息弥散方法在图像中对种子节点进行显著性区域信息扩散,得到图像的显著性区域。试验结果表明,利用二次规划求解每个数据之间的线性关系进行信息扩散,能够达到避免阈值选择和信息精准分类的效果,其结果优于同类的图像显著性区域检测算法。     

采用渐进式网络的弱监督显著性目标检测算法

弱监督显著性目标检测中常存在目标错检、区域检测不全和目标边界不清晰等问题。针对上述问题,提出了一种基于渐进式网络的弱监督显著性目标检测算法,将显著性目标检测分为目标定位、显著性区域完善和目标边界细化3个子任务分阶段完成。首先,将输入图像采样为3个不同尺度的图像,分别输入渐进式网络的3个阶段进行学习;其次,在目标定位阶段设计了嵌套位移多层感知机,平衡网络的全局信息与局部信息的提取能力,以更好地定位显著性目标;最后,根据显著性图的结构不受尺度变化影响的特点,设计了异尺度自监督模块和目标一致性损失函数来构建自监督机制,使网络能够输出区域完整、边界清晰的显著性图。在5个数据集上测试所提算法,其客观指标与主观评价都优于最近的弱监督算法,且在F值指标上可以达到相关全监督算法89%的性能。实验结果表明,所提算法能生成显著性区域更完整、显著性目标边界更锐利的显著性图,且具有良好的鲁棒性。     

多尺度特征提取和多级别特征融合的显著性目标检测方法

目前主流的显著性目标检测方法通常采用短连接加权的方式融合多级别特征信息,这种方式无法精准有效的控制信息流的传递。而且,现有的检测方法通常采用单一的特征检测,导致显著性目标区域与背景的边界不连续、易模糊。因此,本文提出一种多尺度特征提取和多级别特征融合的显著性目标检测方法。首先,利用不同扩张率的空洞卷积获取多尺度的上下文信息,弥补单一特征检测带来的不足。其次,提出一个多级别特征融合模块,该模块有效的利用浅层特征、深层特征和全局上下文特征信息之间的分布特性进行融合,不仅可以抑制噪声的传递,而且可以更有效地恢复显著性目标的空间细节结构信息。在5个公开的数据集上进行的实验结果表明: 相比较其它13种主流的检测方法,本文方法检测的显著图边缘轮廓连续性更好、空间结构细节信息更清晰,在综合指标(F-measure)、平均绝对误差(MAE)、结构化度量(S-measure)、精准率-召回率(PR)曲线和F-score曲线等指标上均有明显的提升。     

基于贝叶斯框架的显著目标检测

图像和视频显著性检测在计算机视觉领域引起了极大的关注,广泛应用于物体分割、可疑物检测、图像检索等领域,在贝叶斯框架下,将人类视觉注意力理论中Bottom-Up模式被动感知与Top-Down模式主动检测按照时间先后顺序结合在一起,并结合像素的"Center-Surround"模型和核密度估计,提出一种能由粗到精逐步感知和获取视场中视觉显著性目标位置及尺度的实时显著目标检测算法,称其为基于贝叶斯框架的显著目标检测.通过在微软MSRA数据集上进行ROC和Precision-Recall测试,证明该算法取得比目前经典算法更好的效果.     

基于视觉中心转移的视觉显著性检测方法

针对现有许多检测方法提取出的显著性区域不够清晰的问题,提出一种基于视觉中心偏移的视觉显著性检测方法,在对图像进行预分割的基础上,结合图像的颜色对比特征、颜色分布特征和位置特征,提取出图像显著性区域,利用视觉中心转移模拟人类视野系统的视野转移过程,对图像进行多尺度分析,融合不同尺度显著图得到最终显著图。试验结果表明,本方法较现有显著性检测方法在视觉效果和查准率召回率有明显提高,ROC曲线下的面积可达0.952。     

视觉显著性指导的红外与可见光图像融合算法

为了获取适合人眼观测的高质量红外与可见光融合图像,提出了一种基于视觉显著性指导的红外与可见光图像融合算法。首先,利用改进的流形排序法分别检测红外与可见光图像的视觉显著性区域;然后,采用非下采样轮廓波变换对红外和可见光图像进行多尺度、多方向分解,从而获取各自低频子带和高频子带,并将视觉显著性的检测结果用于指导分配低频子带的融合权重,即依据显著度大小赋予不同的权值,而高频子带的融合则依据局部标准差准则赋值;最后,通过非下采样轮廓波逆变换获得融合图像。实验结果表明:这种算法不仅可以保全可见光图像中的细节信息,而且能够精确地突显出红外目标信息,具有较好的视觉效果, 增强了红外与可见光复合前视系统的识别性能。     

基于自适应流形相似性的图像显著性区域提取算法

为了在图像显著性区域提取过程中改善算法的自适应性和精准度,提出基于自适应流形相似性的图像显著性区域检测算法。将图像分割成超像素,根据图像中显著性区域频率变化比较大的特性,生成图像显著性区域的高频节点;针对高频节点利用凸包运算寻找显著性区域的种子节点;使用流形算法在图像中对种子节点进行显著性区域信息扩散,得到图像的显著性区域。试验结果表明:利用流形算法搭建求解每个数据的邻接矩阵进行信息扩散,能够在保证信息精准分类的同时提高算法的自适应性,其结果优于同类的图像显著性区域检测算法。     

基于区域显著性与稳定性的小目标检测方法

为解决彩色图像小目标检测中目标易丢失与虚警率高的问题,提出了一种基于区域显著性和稳定性标准增强的小目标检测方法（ RSSEM ）。首先,在区域稳定性特征提取阶段,针对滤波导致的边缘信息缺失问题,填充图像边界并采用多级阈值二值化图像,在聚类准则下二值图像进行区域聚类和二次后验,使本文方法对小目标有较高敏感度。其次,在区域显著性特征提取阶段,利用旋转对称高斯高通滤波对灰度图像进行滤波得到显著性特征图像。最后,融合稳定性特征与显著性特征,并对强噪声滤波后实现小目标检测。在RSS数据集上,与对照组相比,本文方法能显著降低小目标的丢失率和虚警率,比最先进的算法在精确度、召回率、F值上至少提高1%,表明RSSEM的有效性。     

水平集超像素及贝叶斯框架下的显著性检测

针对数字图像显著性检测过程中对超像素的分割及相应显著值的计算不准确问题,提出了一种基于水平集超像素和贝叶斯框架的数字图像显著性检测和更新算法.首先,对基于灰度不均匀的水平集方法的结果先进行分割合并操作,可以得到适应图像不同区域大小的水平集超像素.其次,使用图像内部与边缘超像素之间的颜色和距离差异来构建显著性图.接着,使用水平集超像素来表示显著区域,以图像边缘部分的超像素为基础,基于K均值聚类算法并在贝叶斯框架下提出三种更新算法,用来更新显著性图从而得到显著性结果;更新算法可以进一步提高显著图的准确率、召回率、F值这3个指标,降低平均绝对误差.最后,提出了基于人脸识别的检测算法来处理包含有人的图片.在三个公开的数据库上进行了定性和定量的大量实验评测,结果表明本文提出的显著性检测方法和更新算法在准确率、召回率、F值及平均绝对误差这四个指标上均优于FT、CA、XL、MR、w CO、BSCA等已有的图像显著性检测经典算法.     

基于视觉显著性的红外图像弱小目标检测方法

针对复杂背号下红外图像弱小目标检测难题,提出了一种基于视觉显著性的目标检测方法。首先利用基于视觉注意机制的显著性模型计算图像的显著度图,然后根据图像的显著度图确定目标的区域,最后在原图像上确定目标的精确位置,仿真实验结果表明,本文方法能够很好地检测出红外图像中的弱小目标;与常用背景抑制法相比,该方法不仅较好地突显了目标,而且极大地消除了虚警干扰。     

轮廓匹配的复杂背景中目标检测算法

为解决基于形状的目标检测算法受图像复杂背景的影响,本文提出了一种新的基于轮廓匹配的复杂背景中目标检测方法,算法结合了显著性检测和模板匹配的方法.首先对输入图像在超像素级别进行预处理,应用显著性区域检测方法得到不含复杂背景的区域图像,然后在显著性区域内得到初始边缘图像,对初始边缘图像进行优化处理后利用形状描述子进行轮廓匹配,最后,通过深度优先的搜索策略识别目标的假设位置并进行假设验证来确定最终的目标位置,完成复杂背景图像中的目标检测任务.在ETHZ形状数据集的实验结果证明了本文算法的可行性,根据50%-IoU和20％-IoU标准与其它几种基于形状的目标检测方法进行对比,当误报率为0.3时,算法平均检测率是96%,误报率为0.4时,检测率已经达到99%,如果接受更高误报率时检测率可达到100%,均高于其余几种算法.算法的实验和对比分析结果表明本文方法可以提高检测精度,具有明显的性能优势,为复杂背景中的目标检测提供了新的解决方法.     

抑制船尾拖纹的船舶显著性视频检测方法

运动船舶尺寸等参数的视频检测中,与船体同步运动的水面拖纹干扰会严重影响检测精度.为此,在描述显著性检测机理的基础上,提出了抑制船尾拖纹的船舶显著性视频检测方法:根据颜色对比度直方图得到内河场景的显著图;将原图超像素分割成若干子区域,以区域空间位置关系改进直方图对比度显著性检测结果得到区域显著图;通过该区域显著图初始化GrabCut算法,迭代分割过程中加入腐蚀膨胀操作来逼近目标边缘,从而提取运动船舶.实况视频测试结果表明,该方法能有效地抑制船尾拖纹,准确地检测出内河运动船舶,准确性达到94.6％     

图像依赖的显著图融合方法

提出基于脊回归的显著图融合方法以获得更好的检测效果。在训练集中寻找待检测图像的近邻图像集,对近邻图像集采用脊回归方法对多种显著性检测方法的融合系数进行估计,进而对不同检测方法的显著图进行融合。该方法充分考虑了检测方法的差异性,很好的解决检测图像在没有基准二值标注下显著图的融合问题。试验采用流行的显著性数据集和显著性检测方法,本研究方法在ECSSD数据集上的AUC为0.911,在HKU-IS数据集上的AUC为0.987, 在DUT-OMRON数据集上的AUC为0.953,结果验证了融合方法的有效性。     

基于双目视觉的显著性区域检测

针对传统基于像素的显著性模型存在的边缘模糊、不适于低对比度环境等问题,提出一种基于双目视觉信息的显著性区域检测方法. 采用简单线性迭代聚类（SLIC）方法对图像进行超像素分割,将生成的超像素区域进行合并.通过计算各区域在左右视图的相对移动距离获取物体深度信息,以区域为单位分别计算颜色对比度及深度对比度,进行合成得到区域的显著性值.结果表明,生成的显著性图轮廓清晰,边缘锐利,同等条件下近处及深度变化显著的区域能够获得更高的显著性.该方法符合人类视觉感知特征,适用于移动机器人障碍物检测及场景识别.     

Place recognition based on saliency for topological localization

1 INTRODUCTIONLocalization is fundamental in the domain ofmobile robot navigation. Current localizationmethods based on camera can be mainly classifiedas geometric and topological . Topological methodsuse an adjacent graphin replace of exact coordinateto represent environment . For this reason, theyare dominant inlocalization based on monocular vi-sion[1]. In general , these topological approachesare based on either landmark detection or place rec-ognition.For landmark detection, mobile …     

一种新的纹理合成算法

现有纹理合成算法并不能保证合成物体的完整性,也不能使其分布与样本纹理保持一致。提出了一 种分层纹理合成算法。首先,采用归一化图像分割算法提取样本纹理中的视觉显著性前景物体,继而采用图像修复 算法修复背景,然后统计前景物体在样本纹理中的分布共生矩阵,以此作为约束,在背景图像上确定前景物体的分 布位置。实验结果表明,不仅可以对前景物体独立进行各种变换,得到任意分布的合成纹理,而且可以保证前景物 体的完整性。