排序方式: 共有43条查询结果,搜索用时 31 毫秒
21.
针对基于结构相似性的去色图像质量评估算法没有充分利用图像的梯度特征且采用的对比度相似度特征会忽略图像连续颜色块的一致性导致算法与人类视觉主观判定有较大出入的问题,提出一种基于图像视觉相似性的去色图像质量评估算法--C2G-VSIM。该算法以彩色图像为参考图像,由不同去色算法产生的与之相关的去色灰度图像作为测试图像,对参考图像以及测试图像进行颜色空间转换,并且进行高斯滤波,充分考虑了图像亮度相似度和结构相似度特征,并在此基础上首先引入一种新的颜色一致性对比特征以促使C2G-VSIM对全局颜色对比度特征进行捕捉,其次引入梯度幅值特征至C2G-VSIM中以提高算法对图像梯度特征的敏感度,最后联合得到图像质量评估因子C2G-VSIM。在Cadík的数据集上的实验结果表明,C2G-VSIM与人类视觉主观评定的等级相关性在准确度和主观评判喜爱度上分别达到了0.8155和0.7634,相对于基于彩色图和灰度图的结构相似性(C2G-SSIM)评估算法在未增加较大耗时的情况下,准确度有明显提高。所提算法与人类视觉主观判定具有较高的一致性,且计算简单,在实际工程中能大规模且有效地对去色图像进行自动化评分。 相似文献
22.
针对全卷积孪生神经网络(fully-convolutional Siamese network, SiamFC)在目标发生明显外观变化、目标快速运动等复杂场景下跟踪精确度不足,以及在跟踪目标丢失后由于采用局部搜索策略导致无法重新捕获追踪目标的问题,引入YOLO(you only look once)v3作为再检测网络对SiamFC进行改进。改进算法在SiamFC的跟踪点漂移后会启用目标检测网络进行全局搜索,同时在SiamFC跟踪响应图的峰值小于某一确定阈值时启用目标检测网络对跟踪目标位置进行重新检测与判定,从而可以重捕并更精确地判定复杂环境下的运动目标。在公共数据集OTB2013、OTB2015和UAV20L上进行了实验,实验结果表明,与SiamFC相比,改进算法在OTB2015数据集上的精确度提升了2.9%、成功率提升了1.7%,在UAV20L数据集上的精确度提升了1%、成功率提升了2.6%。此外,通过与目前主流的跟踪算法进行比较得出,改进算法达到了领先的性能。对数据集中不同属性的视频序列进行分析,实验表明改进算法在目标形变、尺度变化、严重遮挡、目标离开视野以及背景混淆5种干扰属性上... 相似文献
23.
目的 低光照图像增强是图像处理中的基本任务之一。虽然已经提出了各种方法,但它们往往无法在视觉上产生吸引人的结果,这些图像存在细节不清晰、对比度不高和色彩失真等问题,同时也对后续目标检测、语义分割等任务有不利影响。针对上述问题,提出一种语义分割和HSV(hue,saturation and value)色彩空间引导的低光照图像增强方法。方法 首先提出一个迭代图像增强网络,逐步学习低光照图像与增强图像之间像素级的最佳映射,同时为了在增强过程中保留语义信息,引入一个无监督的语义分割网络并计算语义损失,该网络不需要昂贵的分割注释。为了进一步解决色彩失真问题,在训练时利用HSV色彩空间设计HSV损失;为了解决低光照图像增强中出现细节不清晰的问题,设计了空间一致性损失,使增强图像与对应的低光照图像尽可能细节一致。最终,本文的总损失函数由5个损失函数组成。结果 将本文方法与LIME(low-light image enhancement)、RetinexNet(deep retinex decomposition)、EnlightenGAN(deep light enhancement using generative adversarial networks)、Zero-DCE(zero-reference deep curve estimation)和SGZ(semantic-guided zero-shot learning)5种方法进行了比较。在峰值信噪比(peak signal-to noise ratio,PSNR)上,本文方法平均比Zero-DCE(zero-reference deep curve estimation)提高了0.32dB;在自然图像质量评价(natural image quality evaluation,NIQE)方面,本文方法比EnlightenGAN提高了6%。从主观上看,本文方法具有更好的视觉效果。结论 本文所提出的低光照图像增强方法能有效解决细节不清晰、色彩失真等问题,具有一定的应用价值。 相似文献
24.
25.
应用Mean Shift和分块的抗遮挡跟踪 总被引:6,自引:0,他引:6
针对传统Mean Shift跟踪算法在目标发生遮挡时容易跟偏甚至跟丢的缺陷,提出了一种新的抗遮挡跟踪算法。首先,对跟踪窗口内的目标进行分块;然后,对外围子块分别实施Mean Shift跟踪算法并检测遮挡的发生,当遮挡发生后即对所有子块实施Mean Shift跟踪算法;最后,引入一种子块置信度机制并仅用置信度最高的子块来确定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。对不同的视频序列测试的结果显示,本算法能对发生遮挡的目标进行准确跟踪。当遮挡目标尺寸为70pixel×100pixel时,平均处理时间为38.6ms/frame。结果表明,改进算法能够满足目标跟踪系统稳定性和实时性的要求。 相似文献
26.
在网络安全环境日益恶化的大背景下,实现对全局信息安全状态的实时监测预警并建立上下一体的调度指挥机制是信息安全防护体系建设的迫切需求,更是信息安全防护能力达到高级水平的重要标志。为了解决这个问题,文章提出了适用于大型集团公司的一体化信息安全监测预警和调度指挥平台总体架构,构建了集安全监测、数据采集、数据分析、可视化展示于一体的技术体系,设计了涵盖风险预警、应急处置、后评估的调度指挥闭环工作机制。该一体化平台位于信息安全防护体系的最顶层,可满足信息安全技术发展的最新要求,是推动大型集团公司信息安全能力建设的有益尝试。 相似文献
27.
针对计算视觉领域图像实例检索的问题,提出了一种基于深度卷积特征显著性引导的语义区域加权聚合方法。首先提取深度卷积网络全卷积层后的张量作为深度特征,并利用逆文档频率(IDF)方法加权深度特征得到特征显著图;然后将其作为约束,引导深度特征通道重要性排序以提取不同特殊语义区域深度特征,排除背景和噪声信息的干扰;最后使用全局平均池化进行特征聚合,并利用主成分分析(PCA)降维白化得到图像的全局特征表示,以进行距离度量检索。实验结果表明,所提算法提取的图像特征向量语义信息更丰富、辨识力更强,在四个标准的数据库上与当前主流算法相比准确率更高,鲁棒性更好。 相似文献
28.
针对现有的基于引导学习的显著性检测模型存在的训练样本不纯净和特征提取方式过于简单的问题,提出一种改进的基于引导(Boosting)的算法来检测显著性,从提升训练样本集的准确度和改进特征提取的方式来达到学习效果的提升。首先,根据显著性检测的自底向上模型产生粗选样本图,并通过元胞自动机对粗选样本图进行快速有效优化来建立可靠的引导样本,完成对原图的标注建立训练样本集;然后,在训练集上对样本进行颜色纹理特征提取;最后,使用不同特征不同核的支持向量机(SVM)弱分类器生成基于Boosting学习一个强分类器,对每幅图像的超像素点进行前景背景分类,得到显著图。在ASD数据库和SED1数据库上的实验结果显示该模型能对复杂和简单的图像生成完备清晰的显著图,并在准确率召回率曲线和曲线下面积(AUC)测评值上有较大提升。由于其准确性,能应用在计算机视觉预处理阶段。 相似文献
29.
30.
基于卷积神经网络的弱光照图像增强算法 总被引:1,自引:0,他引:1
针对现有的弱光照图像增强算法强烈依赖于Retinex理论、需人工调整参数等问题,提出一种基于卷积神经网络(CNN)的弱光照图像增强算法。首先,利用四种图像增强手段处理弱光照图像得到四张派生图,分别为:限制对比度自适应直方图均衡派生图、伽马变换派生图、对数变换派生图、亮通道增强派生图;然后,将弱光照图像及其四张派生图输入到CNN中;最后经过CNN的激活,输出增强图像。所提算法直接端到端地实现弱光照图像到正常光照图像的映射,不需要按照Retinex模型先估计光照图像或反射率图像,也无需调整任何参数。所提算法与NPEA(Naturalness Preserved Enhancement Algorithm for non-uniform illumination images)、LIME(Low-light image enhancement via Illumination Map Estimation)、LNET(LightenNet)等算法进行了对比。在合成弱光照图像的实验中,所提算法的均方误差(MSE)、峰值信噪比(PSNR)、结构相似度(SSIM)指标均优于对比算法。在真实弱光照图像实验中,所提算法的平均自然图像质量评价度量(NIQE)、熵指标为所有对比方法中最优,平均对比度增益指标在所有方法中排名第二。实验结果表明:相对于对比算法,所提算法的鲁棒性较好;经所提算法增强后,图像的细节更丰富,对比度更高,拥有更好的视觉效果和图像质量。 相似文献