基于超像素级卷积神经网络的多聚焦图像融合算法

该文提出了基于超像素级卷积神经网络(sp-CNN)的多聚焦图像融合算法。该方法首先对源图像进行多尺度超像素分割,将获取的超像素输入sp-CNN,并对输出的初始分类映射图进行连通域操作得到初始决策图;然后根据多幅初始决策图的异同获得不确定区域,并利用空间频率对其再分类,得到阶段决策图;最后利用形态学对阶段决策图进行后处理,并根据所得的最终决策图融合图像。该文算法直接利用超像素分割块进行图像融合,其相较以往利用重叠块的融合算法可达到降低时间复杂度的目的,同时可获得较好的融合效果。     

基于超像素时空显著性的运动目标检测算法

针对复杂背景下运动目标检测存在的背景干扰、目标分割不完整等问题,利用目标静态灰度特征和运动特征,结合目标运动连续特性,提出了一种基于超像素时空显著图的运动目标检测算法。首先对图像基于简单线性迭代聚类算法(SLIC)进行超像素分割,以初始超像素为节点、以运动特征差异性为边建立图结构对超像素区域进行合并,得到最终超像素图像,可以有效解决传统超像素分割方法过分割而导致目标被分为多个部分的问题;然后分别利用目标静态特征对比度和运动特征对比度,得到静态显著性图和运动显著性图,并融合得到最终的时空显著性图;最后利用恒虚警处理技术,结合运动连续特性实现目标的检测,可以有效减少虚警目标。实验结果表明,该算法针对复杂背景具有良好的鲁棒性,并且可以比较完整的保留目标的信息。     

一种新的图像超像素分割方法

针对现有超像素分割方法无法自动确定合适的超像素数目,以及难以有效贴合图像目标边界等问题,该文提出一种新的利用局部信息进行多层级简单线性迭代聚类的图像超像素分割方法。首先,运用基于局部信息的简单线性迭代聚类(LI-SLIC)对原始图像进行超像素初分割,然后,根据超像素的色彩标准差对其进行自适应多层级迭代分割,直至每个超像素块的色彩标准差小于预设阈值,最后,利用相邻超像素间的色彩差异对过分割的超像素进行合并。为验证方法的有效性,该文采用Berkeley, Pascal VOC和3Dircadb公共数据库作为实验数据集,并与其他多种超像素分割方法进行了比较。实验结果表明,该文提出的超像素分割方法能更精确贴合图像目标边界,有效抑制图像过分割和欠分割。     

联合改进LBP和超像素级决策的高光谱图像分类

高光谱图像在有标签样本数目较少的情况下进行分类时,除了利用光谱特征外,空间纹理特征也是必不可少的。本文提出了一种利用多尺度多方向局部二值模式（LBP）描述子获取纹理特征,并结合超像素级指导决策的支持向量机分类方法。首先,本文方法将传统LBP描述子改进为多尺度多方向LBP描述子,一方面充分考虑了邻域像素之间的关系,另一方面在计算时分别考虑了水平垂直方向和对角方向。其次,在利用统计直方图获得纹理特征时,采用了多个尺寸窗口组合的方式,以获得多范围、高精度的纹理特征。第三,对传统的简单线性迭代聚类（SLIC）超像素分割方法进行改进,重新定义了光谱距离并引入了纹理特征距离,获得更精确的超像素分割图。最后,利用超像素分割图结合多数投票策略,对分类结果进行进一步的指导校正。实验表明,本文方法能够更有效的提取纹理特征,再结合超像素分割图的指导决策,进一步提升高光谱图像的分类性能。     

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。     

基于超像素多特征融合的快速图像分割算法

为了提高高分辨率图像分割效率,解决复杂图案中待分割目标边缘附近前景与背景区分度小而造成的分割目标不完整问题,本文通过引入超像素HOG特征,提出了一种基于超像素多特征融合（superpixel multi-feature fusion,SMFF）的快速图像分割算法.首先采用目前最有效的超像素算法对待分割图像进行超像素预分割,然后提取基于超像素的HOG特征、Lab颜色特征和空间位置特征,设计基于超像素的多特征度量算法,最终采用图割理论实现了基于超像素多特征融合的快速图像分割.实验结果验证了本文算法的有效性,其算法性能接近于目前最经典图像分割算法,且本文算法的时间性能要明显优于其它对比算法.     

超像素优化Snake模型的乳腺X线图像胸肌分割

提出基于超像素优化Snake模型的乳腺X线图 像胸肌 分割方法。首先采用融合灰度和纹理特征的超像素分割算法将图像分割为多个具有准确边界 、同质的 超像素区域;再根据胸肌的解剖学特征和灰度特征将超像素分类,识别胸肌区域,完成胸肌 的粗分割; 最后使用超像素分类结果优化Snake模型初始轮廓,通过Snake模型演化实现胸肌的细分割 。实验结果表明,本文方法对不同大小、形状和亮 度的胸肌 能够准确地逼近到目标边界,并具有较强的抗噪性和鲁棒性;与其他胸肌分割算法相比,本 文算法准确性较高,稳定性较好。     

一种复杂背景下的电力设备红外图像分割方法

针对背景复杂的电力设备红外图像分割问题,提出一种新的分割方法。该方法运用线性谱聚类算法(LSC)对图像做超像素分割,将颜色、距离相似的像素聚类至同一个中心;利用在全局图像基础上计算所得的Otsu阈值对各超像素块做背景预标记,并利用最大相似度区域合并算法(MSRM)对超像素块进行合并,在得到目标设备的同时,有效降低了过分割和欠分割率;最后运用数学形态学算法对图像做后处理,在保证设备特征的前提下提高目标设备分割精度。实验表明,在复杂背景下与其他算法相比,该方法可得到更为准确、完整的目标设备。     

基于区域与深度残差网络的图像语义分割

该文提出了一种结合区域和深度残差网络的语义分割模型。基于区域的语义分割方法使用多尺度提取相互重叠的区域,可识别多种尺度的目标并得到精细的物体分割边界。基于全卷积网络的方法使用卷积神经网络(CNN)自主学习特征,可以针对逐像素分类任务进行端到端训练,但是这种方法通常会产生粗糙的分割边界。该文将两种方法的优点结合起来:首先使用区域生成网络在图像中生成候选区域,然后将图像通过带扩张卷积的深度残差网络进行特征提取得到特征图,结合候选区域以及特征图得到区域的特征,并将其映射到区域中每个像素上;最后使用全局平均池化层进行逐像素分类。该文还使用了多模型融合的方法,在相同的网络模型中设置不同的输入进行训练得到多个模型,然后在分类层进行特征融合,得到最终的分割结果。在SIFT FLOW和PASCAL Context数据集上的实验结果表明该文方法具有较高的平均准确率。     

基于超像素与图卷积神经网络的白细胞分割

白细胞分割是医学图像处理领域的一项富有挑战性的任务,针对目前白细胞分割存在的准确度不高、粘连情况不易分割等问题,将图像的分割转化为区域节点的分类问题,提出基于图卷积神经网络的白细胞分割算法.首先将训练图像经超像素分割得到若干超像素区域,把每个超像素区域作为图的一个节点,并充分利用超像素区域的彩色特征以及空间邻域关系构造稀疏加权图来训练图卷积网络,然后利用训练好的网络对测试图像进行白细胞核、质、背景的三域一次性分类.实验数据表明,本文算法对不同类白细胞均具有较好的分割效果.     

Texture analysis-based multi-focus image fusion using a modified Pulse-Coupled Neural Network (PCNN)

Multi-focus image fusion is an effective method of information fusion that can take a series of source images and obtain a fused image where everything is in focus. In this paper, a multi-focus image fusion method based on image texture that adopts a modified Pulse-Coupled Neural Network (PCNN) approach is proposed. First, the texture of an image is obtained by means of image cartoon and texture decomposition. An ignition image is then acquired by inputting the image textures into a modified PCNN. Ignition images are compared to each other to obtain an initial decision map. A small object detection and bilateral filter is then applied to the initial decision map to reduce noise and enable smoother processing. Finally, the source images and decision map are used to produce the fused image. Experimental results demonstrate that the proposed method effectively preserves the source images information while delivering good image fusion performance.     

基于Hess矩阵的多聚焦图像融合方法

该文提出了一种基于Hess矩阵的多聚焦图像融合方法。该方法利用多尺度下的Hess矩阵检测特征和背景区域,并在此基础上,将源图像分成特征区域与非特征区域,分别采用不同的融合策略生成决策图;然后通过结合不同部分的决策图,得到初始决策图;最后采用后处理方法对初始决策图进行精化,得到最终的融合图像。为了提高融合效果,该文还提出了一种基于多尺度Hess矩阵的聚焦评价方法。同时引入积分图像进行快速计算,以满足实时性要求。实验结果表明,该方法在主观视觉感知和客观评价指标方面都要略优于现有的方法。     

多特征结合引导滤波的多聚焦图像融合

提出一种多特征结合引导滤波的图像融合算法,使用多个特征,计算各特征的置信图,将各特征的优势相结合,提升整体融合的质量。具体步骤如下:首先计算源图像的多类特征,各特征经过引导滤波后计算初始决策图和置信图,然后通过形态学方法去除小连通区域后,再次使用引导滤波得到最终决策图,最后使用置信图对最终决策图加权,与源图像相乘再相加得到最终的融合图像。实验结果表明,该算法对残差图的主观分析和客观融合质量评价指标的定量分析,较当前传统多聚焦图像融合算法均有提升。     

Multi-focus image fusion with Geometrical Sparse Representation

Multi-focus image fusion aims to generate an image with all objects in focus by integrating multiple partially focused images. It is challenging to find an effective focus measure to evaluate the clarity of source images. In this paper, a novel multi-focus image fusion algorithm based on Geometrical Sparse Representation (GSR) over single images is proposed. The main novelty of this work is that it shows the potential of GSR coefficients used for image fusion. Unlike the traditional sparse representation-based (SR) methods, the proposed algorithm does not need to train an overcomplete dictionary and vectorize the signal. In our algorithm, using a single dictionary image, the source images are first represented by geometrical sparse coefficients. Specifically, we employ a weighted GSR model in the sparse coding phase, ensuring the importance of the center pixel. Then, the weighted GSR coefficient is used to measure the activity level of the source image and an average pooling strategy is applied to obtain an initial decision map. Third, the decision map is refined with a simple post-processing. Finally, the fused all-in-focus image is constructed with the refined decision map. Experimental results demonstrate that the proposed method can be competitive with or even superior to the state-of-the-art fusion methods in both subjective and objective comparisons.     

自注意力引导的红外与可见光图像融合算法

为确保源图像中的显著区域在融合图像保持显著,提出了一种自注意力引导的红外与可见光图像融合方法。在特征学习层引入自注意力学习机制获取源图像的特征图和自注意力图,利用自注意力图可以捕获到图像中长距离依赖的特性,设计平均加权融合策略对源图像的特征图进行融合,最后将融合后的特征图进行重构获得融合图像。通过生成对抗网络实现了图像特征编码、自注意力学习、融合规则和融合特征解码的学习。TNO真实数据上的实验表明,学习到注意力单元体现了图像中显著的区域,能够较好地引导融合规则的生成,提出的算法在客观和主观评价上优于当前主流红外与可见光图像融合算法,较好地保留了可见光图像的细节信息和红外图像的红外目标信息。     

基于多尺度和注意力模型的红外与可见光图像融合

针对红外与可见光图像在融合后容易出现伪影,小目标轮廓不清晰等问题,提出一种基于多尺度特征与注意力模型相结合的红外与可见光图像融合算法。通过5次下采样提取源图像不同尺度的特征图,再将同一尺度的红外与可见光特征图输入到基于注意力模型的融合层,获得增强的融合特征图。最后把小尺度的融合特征图进行5次上采样,再与上采样后同一尺度的特征图相加,直到与源图像尺度一致,实现对特征图的多尺度融合。实验对比不同融合框架下融合图像的熵、标准差、互信息量、边缘保持度、小波特征互信息、视觉信息保真度以及融合效率,本文方法在多数指标上优于对比算法,且融合图像目标细节明显轮廓清晰。     

Multi-focus image fusion with the all convolutional neural network

A decision map contains complete and clear information about the image to be fused, which is crucial to various image fusion issues, especially multi-focus image fusion. However, in order to get a satisfactory image fusion effect, getting a decision map is very necessary and usually difficult to finish. In this letter, we address this problem with convolutional neural network (CNN), aiming to get a state-of-the-art decision map. The main idea is that the max-pooling of CNN is replaced by a convolution layer, the residuals are propagated backwards by gradient descent, and the training parameters of the individual layers of the CNN are updated layer by layer. Based on this, we propose a new all CNN (ACNN)-based multi-focus image fusion method in spatial domain. We demonstrate that the decision map obtained from the ACNN is reliable and can lead to high-quality fusion results. Experimental results clearly validate that the proposed algorithm can obtain state-of-the-art fusion performance in terms of both qualitative and quantitative evaluations.     

基于双引导滤波的红外和可见光图像融合算法

图像融合是将多幅图像中有用或互补信息整合成一幅图像的过程。本文提出了一种基于引导滤波多尺度分解的红外和可见光图像融合算法。在传统的引导滤波图像融合算法的基础之上,利用双引导滤波器代替均值滤波器将源图像分解为小尺度纹理细节、大尺度边缘和基础图像;直接利用纹理细节及边缘层图像构建显著性映射图,用其代替额外的特征提取操作,可很好地突出源图像显著性信息的同时大大降低算法复杂度;利用显著性映射图、Sigmoid函数构造权重图,将源图像中具有视觉意义的信息注入到融合图像中;利用色彩模型转换融合方式,可更好保留图像的色彩信息。定性和定量实验结果证明,相比于传统的基于引导滤波的图像融合算法,本文算法的融合效果得到进一步提升。     

火星探测环绕段自主光学导航算法研究（特约）

针对火星探测环绕段自主导航需求,结合初始轨道参数及光学导航相机拍摄的火星图像,提出了一种基于火星本体的高精度自主导航方法。该方法首先利用初始轨道参数得到火星在导航相机像平面下的投影图,然后将该投影图与导航相机拍摄的火星图进行匹配融合得到火星的边缘图,后利用该边缘图进行精确椭圆拟合,继而可实现器-火视线距和视线矢量的测量,在算法仿真过程中充分考虑到了工程实现中可能会遇到的图像旋转、平移及尺寸变换问题,仿真结果表明:提出的利用先验信息的图像融合测量算法较单独利用火星图像进行导航测量的方法,精度和可靠度均有较大提升,可满足火星探测环绕段的任务需求。