基于视觉显著性和超像素融合的物体定位方法

针对选择性搜索算法所需定位窗口数量过多的问题,提出了一种基于视觉显著性和超像素融合的改进方法.首先,利用视觉显著性图像粗略估计物体的位置;然后,从这些初始位置开始,根据图像的表观特征融合相邻超像素,并引入一种背景分析方法以避免过度融合;最后,利用贪心算法将融合后的区域再进行组合,并生成最终的定位窗口.在Pascal VOC 2007数据集上的实验结果表明,与选择性搜索方法相比,在同样的检测标准下(查全率为0.91),改进后的方法所使用的窗口数量减少了20%,而重叠率达到了0.77.该方法由粗到细地进行物体定位,在定位窗口数量较少的情况下仍能保持较高的重叠率和查全率.     

一种改进的核相关滤波目标跟踪方法研究

针对目标跟踪领域视频图像序列经常出现遮挡、光照变化和快速移动等难点,提出了一种融合目标上下文信息和超像素级特征的核相关滤波跟踪方法,目标与其周围的信息存在相关性,利用中层视觉特征(超像素)构建目标的上下文滤波模型,在相关滤波框架下,实现对目标的快速训练和定位。实验结果表明,和其他相关滤波类算法相比,所提出的算法在处理以上跟踪难点时,精确度更高,且鲁棒性更强,同时能以较快的速度运行,满足实时性的要求。     

基于超像素的点追踪方法

目的由于当前大多数的追踪算法都是使用目标外观模型和特征进行目标的匹配,在长时间的目标追踪过程中,目标的尺度和形状均会发生变化,再加上计算机视觉误差,都会导致追踪的失误。提出一种高效的目标模型用于提高追踪的效率和成功率。方法采用分割后提取的目标特征来进行建模表示外观结构,利用图像分割的方法,将被追踪的目标区域分割成多个超像素块,结合SIFT特征,形成词汇本,并计算每个词在词汇本中的权值,作为目标的外观模型。利用外观模型确定目标对象的关键点位置后,通过使用金字塔Lucas-Kanade追踪器预测关键点在下一帧图像中的位置,并移动追踪窗口位置。结果结合点位移的加权计算有效地克服目标尺度和形状变化产生的问题。结论实验结果表明在目标发生形变或光照变化的情况下,算法也能准确地、实时地追踪到目标。     

基于超像素和模糊聚类的医学超声图像分割算法

图像分割在医学超声图像的定量、定性分析中均扮演着十分重要的作用,并直接影响到后续的分析、处理工作.针对医学超声图像对比度低和噪声强的特点,提出了一种将超像素和模糊聚类技术相结合的图像分割方法.该方法利用简单线性迭代聚类算法产生多个超像素子区域,通过比较各个子区域间特征向量的相似性,利用模糊C均值(FCM)聚类技术对这些过分割区域进行合并,实现超声图像目标区域的有效分割.和传统的基于单像素的FCM聚类算法相比,该方法具有较强的鲁棒性,有效提高了目标区域的分割精度和分割效率,取得了较好的分割效果.     

基于超像素分割的无线内窥镜出血图像检测

将图像形态学处理和计算机辅助诊断方法应用于无线内窥镜出血图像检测。在对无线内窥镜图像进行形态学处理和超像素分割的基础上,提出红色纯度特征,应用最小二乘支持向量机分类器对分割后的图像进行分类。试验结果表明,该方法能够有效地检测无线内窥镜图像中的出血区域,敏感性、特异性和准确率分别达到了99%、94%和95%,可以作为临床医生的辅助诊断工具。     

基于超像素暗通道和自动色阶优化的图像去雾算法

针对暗通道先验(dark channel prior, DCP)复原图像中的光晕现象、明亮区域色彩失真、环境光估计不准确等问题,提出了基于超像素暗通道和自动色阶优化的单幅图像去雾算法。首先,由改进的White Patch Retinex算法增强图像并计算精确环境光。接着,在传统暗通道去雾算法中引入超像素图像分割和引导滤波算法,使透射率估计的稳健性与精确性得以提升。然后,采用自适应容差对明亮区域的透射率进行补偿,有效抑制明亮区域色彩失真问题。最后,以自动色阶优化算法提高图像对比度。将本文去雾算法与其他算法从主观和客观两个维度进行比较,实验结果表明：采用不同算法对不同浓度的自然雾图进行对比实验,信息熵提高0.2 bit,峰值信噪比(peak signal-to-noise ratio,PSNR)提高0.8 dB,运行效率提高。该算法对不同浓度含雾图像具有良好的适应性,复原图像色彩真实、纹理清晰、细节丰富,去雾效果良好。     

融合引导滤波的无监督图像超像素快速生成

超像素生成的速度与准确性是评估方法性能的关键指标.针对有监督图像超像素分割方法性能通常依赖大量监督数据的问题,提出一种无监督、保持准确性的图像超像素快速生成方法.首先利用引导滤波设计下采样-联合上采样的超像素快速生成框架,以提高模型的推理速度;然后采用空洞空间卷积池化金字塔和多尺度注意力机制,充分挖掘图像信息,并设计鲁棒的损失函数,提高超像素生成的准确性,实现无监督的图像超像素生成方法;最后采用顺序训练策略减少模型对大量训练数据的依赖.在公开数据集BSDS500与DRIVE上的实验结果表明,所提方法的边界召回率和可达分割准确性指标较文中对比的无监督方法分别提高约1%和2%,且速度提高约50%,并拥有与有监督方法可比的表现.     

基于KMM与超像素的SAR海面暗斑分割算法

提出了一种基于K乘性模型(K multiplicative model , KMM)与超像素分割算法的无监督的SAR海面暗斑检测算法。KMM算法采用矩估计法进行参数估计,应用于海表面含暗斑的感兴趣区域（region of interest, ROI）检测。通过对感兴趣区域生成的超像素进行聚类来完成最终暗斑的边缘分割。在边缘回撤率、遗漏误差、交叉误差上有较大改善,机载SAR的平均误差率为10%,而TerraSAR的平均误差率低于2%。在计算效率上也有较大提高,平均0.53 s内可处理104个像素点。实验基于高分辨率L波段机载SAR数据以及TerraSAR X数据进行,实验结果表明该方法具有较强的鲁棒性以及较高的计算效率。     

基于超像素分割的深度图像修复算法

为了提高Kinect相机获取的深度图质量,提出了一种基于超像素分割的图像修复算法。 首先对深度图和彩色图分别 进行双边滤波和超像素分割;其次,结合深度图像和彩色图像相似性,记录彩色分割块的位 置,并对应于 深度图中;最后,在每个分割块对应深度区域中,根据丢失像素点在分割块中所占比例,划 分为无空洞区 域、小空洞区域、大空洞区域和全空洞区域4类。采用快速行进算法对小空洞区域进行 修复,利用中 值填补算法进行大空洞区域修复,对全空洞区域利用邻域区间对应彩色图像相似性进行填充 。4种类型中 的无空洞区域无需修复。实验结果表明,本文方法与FMM、Shen和Scheming的方法相比, 平均均方根误差(RMSE) 分别降低了2.958、0.822和0.078,修复 的主观质量也有所提高。     

一种基于视觉注意模型的可移动目标检测方法

提出了一种基于视觉显著性的目标检测算法,用于对位于地面上的车辆、飞机等地面可移动目标进行检测和定位。针对地面可移动目标在场景中较小的特点,设计了一种用于对目标检测进行引导的基于视觉注意机制的目标显著模型。首先,提取图像目标的颜色特征、强度特征和方向Gabor特征,并将其结合起来用于计算显著图。然后以超像素为单位对显著值进行计算,并结合人眼视觉敏感度对不同距离的超像素之间的差异进行加权处理。实验结果表明,本文算法可以有效地检测并定位出复杂背景中的地面可移动目标。