基于目标分割和融合的快速视频浏览算法

针对稀疏对象的监控视频的快速浏览,提出了一种基于目标分割和融合的快速视频浏览的方法.首先,利用背景差分法得到前景目标,并对背景模型不断更新;然后,滤除无目标出现的视频帧,并以一定的密度对目标对象进行融合播放.实验结果表明,该方法鲁棒性好,能取得较好的效果.     

一种快速保边的图像分割方法

在分段光滑Mumford-Shah(MS)模型的基础上提出了一种快速的图像分割方法。该方法在分割过程中利用分段常数MS模型产生一种驱动力,在每个时间间隔加入这种驱动力来推动水平集函数的进化,提高曲线演化速度;另外,通过在MS模型中引入一个非线性函数■(s)代替u+和u-实现保边。最后通过实验验证,该方法不仅克服了原始方法的一些缺点,而且提高了收敛速度。     

基于形态学滤波和分水线算法的目标图像分割

提出了一种基于形态学的目标图像区域划分方法。该方法先利用形态学滤波消除不同尺度的噪声和微小干扰区域对目标图像的影响，再利用改进的分水线算法对目标图像进行区域划分，得到目标图像的基本结构。为了消除传统分水线算法引起的过分割现象，本文还给出了一种新的过分割区域合并算法。该方法能够把复杂的目标图像分割成为一系列反映目标基本结构特征的简单区域．为目标的描述和识别提供了方便。实际图像的处理结果显示这种方法行之有效。     

基于视觉显著图的异性纤维彩色图像分割方法

为实现对棉花异性纤维自动视觉检测系统采集的彩色图像的精确分割,提出了基于视觉显著图的异性纤维彩色图像分割方法.通过计算颜色显著图,实现彩色异性纤维目标的识别;通过计算亮度显著图,实现灰色异性纤维目标的识别;将彩色和灰色目标进行融合,得到全部异性纤维目标.实验结果表明,该方法可以准确分割出异性纤维彩色图像中含有的各种异性纤维目标.通过比较发现,该方法在分割精度上明显优于其它方法,可以实现对异性纤维彩色图像的精确分割.     

一种基于显著区域的图像分割方法

提出了一种基于显著区域的图像分割方法.该方法首先根据自底向上的人类视觉注意模型计算出图像的综合显著图.以便反映出图像中各区域的重要程度;然后在此基础上,设计了两种分割算法,分别是基于1-D直方图最大熵法的区域分割和基于注意焦点的区域增长,其中注意焦点从显著图中得到;并结合显著图和分割图,以区域的平均显著度为依据提取显著...     

基于快速形态滤波和类间方差的弱小目标检测方法

针对地空武器系统背景较为平稳、实时性要求高、目标灰度极性与对比度变化小等特点,提出了一种快速形态滤波和类间方差自适应门限分割相结合的弱小目标检测算法.采用扁平结构元素作为形态滤波结构元素,在水平、垂直两个方向进行开、闭运算.通过对运算结果的处理,解决目标极性反转问题.在膨胀、腐蚀过程中引入最值的权值,对算法进行优化,大大减少了背景抑制处理时间.采用类间方差自动门限分割,使目标提取不受目标与背景对比度变化的影响,从而实现对目标的快速、准确标记.     

融合外观和运动特征的在线目标分割

目的 视频中的目标分割是计算机视觉领域的一个重要课题,有着极大的研究和应用价值。为此提出一种融合外观和运动特征的在线自动式目标分割方法。方法 首先,融合外观和运动特征进行目标点估计,结合上一帧的外观模型估计出当前帧的外观模型。其次,以超像素为节点构建马尔可夫随机场模型,结合外观模型和位置先验把分割问题转化为能量最小化问题,并通过Graph Cut进行优化求解。结果 最后,在两个数据集上与5种标准方法进行了对比分析,同时评估了本文方法的组成成分。本文算法在精度上至少比其他的目标分割算法提升了44.8%,且具有较高的分割效率。结论 本文通过融合外观与运动特征实现在线的目标分割,取得较好的分割结果,且该方法在复杂场景中也具有较好的鲁棒性。     

基于姿态模型的人群目标分割方法

多相机间运动目标的跟踪与识别需要获得尽可能准确的目标区域。针对人群目标的粘连问题,提出一种基于姿态模型的人群目标分割方法。依据人体在运动过程中姿态的变化规律,构造7种出现频率较高的姿态模型。依次对单个目标和联合目标进行模型匹配,获得各个目标的位置、大小以及运动姿态信息。实验结果表明,该方法能有效解决相互遮挡情况下的目标分割问题。     

基于MRF场的SAR图像分割方法

提出了一种基于MRF（Markov Random field)模型的SAR（Synthetic Aperture Radar)图像分割算法,本算法利用ICM（（Iterative Conditional Mode)局部 优化方法,获得MAP（maximum a posteriori)准则下的图像分割结果。并引入了剔除外层数据的机制,用MSTAR（Moving and Stationary Target Acquisition and Recognition)数据进行实验,结果表明,算法能有效减少斑点噪声的影响将图像分割为目标,阴影,背景三部分,实验结果是令人满意的。     

基于多尺度MRF的膝关节MRI图像快速分割

膝关节MRI图像中骨骼的精确分割是进一步分割与定量分析膝部软组织的前提。目前膝关节骨骼分割的方法比较耗时或需要一定的人机交互。为解决这一问题,将多尺度MRF方法引入到膝关节MRI分割中,以实现快速无监督的分割。首先建立高斯混合的灰度统计模型,运用MDL准则自动确定类别的数目。建立多尺度MRF的先验模型时,利用尺度间的因果性给出非迭代的计算方法,由细尺度往粗尺度传递统计信息,再由粗尺度往细尺度计算每个像素的最大后验概率,从而实现快速准确的分割。实验结果表明,与单尺度MRF相比,多尺度MRF分割膝关节MRI所需时间大大减少,且精度与专家手动分割标准相当。算法通过建立多尺度马尔可夫随机场模型,完成了低信噪比膝关节MRI图像快速准确分割,可作为进一步自动分割软骨与半月板等软组织的基础。     

基于深度学习的显著性目标检测综述

显著性目标检测通过模仿人的视觉感知系统,寻找最吸引视觉注意的目标,已被广泛应用于图像理解、语义分割、目标跟踪等计算机视觉任务中。随着深度学习技术的快速发展,显著性目标检测研究取得了巨大突破。本文总结了近5年相关工作,全面回顾了3类不同模态的显著性目标检测任务,包括基于RGB图像、基于RGB-D/T(Depth/Thermal)图像以及基于光场图像的显著性目标检测。首先分析了3类研究分支的任务特点,并概述了研究难点;然后就各分支的研究技术路线和优缺点进行阐述和分析,并简单介绍了3类研究分支常用的数据集和主流的评价指标。最后,对基于深度学习的显著性目标检测领域未来研究方向进行了探讨。     

基于H.264的运动对象快速分割算法

提出一种视频的压缩域与像素域特征结合的运动对象分割算法。该算法在压缩域对运动矢量场进行时空域滤波和累加处理,用空域差异度分割算法提取出运动对象区域,把提取得到的运动对象区域经一定的扩展映射到像素域,在像素域中使用基于高斯的马尔可夫随机场模型细分割运动对象。实验结果表明,该算法分割效率高,分割的运动对象完整性好、精度较高。     

基于深度学习的显著性目标检测综述

随着深度学习的不断发展,基于深度学习的显著性目标检测已经成为计算机视觉领域的一个研究热点.首先对现有的基于深度学习的显著性目标检测算法分别从边界/语义增强、全局/局部结合和辅助网络三个角度进行了分类介绍并给出了显著性图,同时对三种类型方法进行了定性分析比较;然后简单介绍了基于深度学习的显著性目标检测常用的数据集和评估准...     

一种基于词袋模型的新的显著性目标检测方法

提出一种基于词袋模型的新的显著性目标检测方法.该方法首先利用目标性计算先验概率显著图,然后在图像的超像素区域内建立词袋模型,并基于此特征计算条件概率显著图,最后根据贝叶斯推断将先验概率和条件概率显著图进行合成.在ASD、SED以及SOD显著性目标公开数据库上与目前16种主流方法进行对比,实验结果表明本文方法具有更高的精度和更好的查全率,能够一致高亮地凸显图像中的显著性目标.     

多目标场景下的显著物体提取

已有获取显著区域的方法存在不能适应实际物体的大小、包含冗余信息及应用范围有限的问题。为此,提出一种多目标场景下的显著物体提取方法。对基于空间的计算模型得到的显著图进行聚类,将多目标场景划分为多个单目标的子场景,在子场景集合中,引入注意转移机制,并使用基于物体的计算模型依次提取显著物体。实验结果表明,该方法能提取图像中的多个显著目标。     

基于深度图像增益的RGB-D显著性物体检测

深度信息已被证明在显著性物体检测中是一个实用信息,但是深度信息和RGB信息如何更好地实现互补从而达到更高的性能仍是一个值得探究的事情。为此,本文提出一种基于深度图像增益的RGB-D显著性物体检测方法。在双分支的网络结构中增加一个增益子网,采用显著图作差的方法获得深度图片为显著性检测带来的增益,作为增益子网预训练的伪GT。三分支网络分别获取RGB特征、深度特征和深度增益信息,最终将三分支的特征进行融合得到最终的显著性物体检测的结果,增益信息为双分支特征融合提供融合依据。基于深度图像增益的显著性物体检测实验结果表明,该方法得到的显著性物体前景物体更加突出,在多个实验数据集上也有着更优秀的表现。     

一种基于目标分割的实时跟踪方法

为减少颜色相似背景在目标跟踪过程中对跟踪结果的影响,提出一种基于目标分割的实时跟踪方法。利用背景差分的方法进行目标分割,使用目标位置、大小及颜色的特征完成目标状态的更新,对连续帧之间的目标实施匹配跟踪,当2个目标重合分离时采用目标大小、颜色特征实现匹配。实验结果表明,该方法匹配跟踪速度较快、跟踪效果较好。     

跨模态交互融合与全局感知的RGB-D显著性目标检测

近年来, RGB-D显著性检测方法凭借深度图中丰富的几何结构和空间位置信息, 取得了比RGB显著性检测模型更好的性能, 受到学术界的高度关注. 然而, 现有的RGB-D检测模型仍面临着持续提升检测性能的需求. 最近兴起的Transformer擅长建模全局信息, 而卷积神经网络(CNN)擅长提取局部细节. 因此, 如何有效结合CNN和Transformer两者的优势, 挖掘全局和局部信息, 将有助于提升显著性目标检测的精度. 为此, 提出一种基于跨模态交互融合与全局感知的RGB-D显著性目标检测方法, 通过将Transformer网络嵌入U-Net中, 从而将全局注意力机制与局部卷积结合在一起, 能够更好地对特征进行提取. 首先借助U-Net编码-解码结构, 高效地提取多层次互补特征并逐级解码生成显著特征图. 然后, 使用Transformer模块学习高级特征间的全局依赖关系增强特征表示, 并针对输入采用渐进上采样融合策略以减少噪声信息的引入. 其次, 为了减轻低质量深度图带来的负面影响, 设计一个跨模态交互融合模块以实现跨模态特征融合. 最后, 5个基准数据集上的实验结果表明, 所提算法与其他最新的算法相比具有显著优势.