基于图像显著性的路面裂缝检测

有效的视觉显著性方法能准确快速地帮助人们在大量视觉信息中找到感兴趣的物体.针对实际路面图像噪声成分复杂、覆盖面广的特点,提出一种基于图像显著性的路面裂缝检测算法.该算法对路面裂缝图像分块灰度校正后,根据灰度稀疏性、全局对比度计算粗尺度下的裂缝显著值,然后由裂缝局部亮度、边缘特性、连续性特点进行不断扩张的细尺度的局部邻域显著性增强,再经空间显著性加强后,采用自适应阈值分割提取裂缝.大量的实验结果表明,该算法比传统算法更能正确、有效地检测出裂缝整体区域,抗噪声能力强,漏检率和误检率很低,具有和人类视觉特性相符合的检测结果.     

多尺度Transformer与层次化边界引导的显著性目标检测

针对显著性目标检测算法中全局和局部信息难以联合表征和目标边界难以细化的问题,提出了一种多尺度Transformer与层次化边界引导的显著性目标检测算法。首先,构建Transformer模型提取全局信息,同时通过自注意力机制获取有判别性的浅层局部特征,对全局和局部信息进行联合表征。然后,引入Tokens-to-Token方法提取多尺度特征,使模型实现尺度变换平滑的编解码。进一步,提出了一种层次化的边界学习策略,引导模型在每个解码特征层提取精细化的显著性目标边界特征,提升显著性目标边界的预测准确性。实验结果表明,提出的算法在四个公开显著性目标检测数据集上均优于八种主流的显著性目标检测算法,并且通过消融实验验证了提出模型和边界学习策略的有效性。     

全局孤立性和局部同质性图表示的随机游走显著目标检测算法

目前的显著性检测算法主要依赖像素间的相互对比,缺乏对显著目标自身特性的分析理解. 依据显著目标是显眼、紧凑和完整的思路,提出一种基于目标全局孤立性和局部同质性的 随机游走显著目标检测算法,将视觉显著性检测公式化为马尔科夫随机游走问题. 首先将输入图像进行分块,根据像素块之间颜色特征和方向特征的相似性确定边的权重, 从而构建图模型;然后通过全连通图搜索提取全局特性,突出全局较孤立的区域; 同时通过k-regular图搜索提取局部特性,增强局部较均匀的区域;最后将全局特性和局部 特性相结合得到显著图,进而确定感兴趣区域位置. 实验结果表明,相比于其他两种具有代表性的算法,所提方法检测结果更加准确、合理, 证明该算法切实可行.     

基于全局颜色对比的显著性目标检测

为了能正确检测显著性图中的多个显著性目标, 提出了一种基于全局颜色对比的显著性目标检测算法。该算法首先提取图像的全局颜色对比度特征, 然后把显著性图和全局颜色对比度作为特征输入条件随机场框架中, 得到二值显著性掩模, 最后经区域描绘子计算得到包含显著性目标的最小外接矩形。在两种公开的数据集上的实验结果表明, 该算法在精度、召回率以及F-测度方面的表现优于现有其他几种算法, 在计算效率上也具有一定的优势。因此, 所提出的算法在检测效果上优于现有的显著性目标检测算法, 而且还能够检测到多个显著性目标。     

基于显著性分析的网格模型语义特征线提取

现有的基于局部微分属性度量的网格模型特征线提取方法较难描述模型全局语义特征。为解决该问题,提出一种基于显著性分析的、符合人类视觉注意力机制的语义特征线提取算法。首先以谱图理论为工具,构建网格模型光顺三维基准面,获取网格顶点显著性重要度;利用离散拉普拉斯—贝尔特拉米算子方向属性构建网格语义特征区域,提取特征区域骨骼线,对骨骼线进行优化后得到模型语义特征线。该算法完全去除了模型局部微分几何量的度量,提取的特征线能很好地完成全局语义特征描述。实验结果证明了算法的有效性。     

基于多重特征信息的图像显著性检测方法

针对海量视觉数据处理中的图像显著性检测问题,提出一种基于多重特征信息的新型方法。该方法首先根据像素的CIE Lab颜色空间和空间位置信息选用k-means算法对图像像素聚类,在初始化中心时根据蜂窝原理使用正六边形进行选种。然后用全局对比和局部对比方法分析选取的多重图像特征,并计算得到八种特征图。最后对八种特征图融合得到初始显著性图,再用阈值法得到最终的显著性图。该方法通过改进k-means算法实现良好的图像聚类以进一步分析、处理图像特征,并依据对比度、关键区域聚焦等重要原理将图像底层特征和中层特征合理融合,兼顾全局对比和局部对比,处理问题全面而高效。实验结果表明,从主观和客观两方面进行整体评估,该方法都达到了优越的性能。     

基于整形特征的目标显著性检测算法研究

针对传统目标显著性检测算法存在显著区域弱化、最显著的中心点被抑制、背景差对比度低等问题,提出一种新的整形目标显著性检测算法。算法首先利用灰度不一致算子作为局部处理手段,刻画图像局部纹理的非均匀性,使得最显著的中心点亮度提高;其次,利用改进的FT算法,建立一种新的全局量化方法,使得显著区域增强;再次,为了滤除孤立显著区的影响,算法提出一种空间权重表达法,对所提显著图进行线性处理,提高整体显著区与背景间的对比差。最后的仿真实验中,与FT、Itti等6种典型的目标显著性检测算法相比,该算法不仅具有更好的识别准确性和稳定性,而且所提算法的精确率和召回率等客观指标也具有较强的优势,从而表明该算法是切实可行的。     

基于全局和局部特征融合的显著性提取方法

显著性提取方法在图像处理、计算机视觉领域有着广泛的应用.然而,基于全局特征和基于局部特征的显著性区域提取算法存在各自的缺点,为此本文提出了一种融合全局和局部特征的显著性提取算法.首先,对图像进行不重叠地分块,当每个图像块经过主成分分析(Principle component analysis,PCA)映射到高维空间后,根据孤立的特征点对应显著性区域的规律得到基于全局特征的显著图;其次,根据邻域内中心块与其他块的颜色不相似性得到基于局部特征的显著图;最后,按照贝叶斯理论将这两个显著图融合为最终的显著图.在公认的三个图像数据库上的仿真实验验证了所提算法在显著性提取和目标分割上比其他先进算法更有效.     

基于视点转移和视区追踪的图像显著区域检测

借鉴心理学中有关视觉注意的研究成果,提出了一个基于视点转移和视区追踪的显著区域检测模型.它首先通过视点转移利用全局显著性度量找到显著区域的位置,然后通过视区追踪利用局部显著性度量确定显著区域的尺寸,并通过视点转移与视区追踪的循环交替依次得到一系列显著区域.根据该模型开发出了一个新的显著区域检测算法.将其应用于多种真实图像,在检测效果、运算速度和抗噪能力等方面均获得了较为满意的实验结果.     

融合背景先验与中心先验的显著性目标检测

目的 现有的显著性目标检测算法通常基于单一的先验信息,导致提取的原图像信息不全面,为了解决该问题,提出一种新的基于背景先验与中心先验相融合的显著目标检测算法。方法 该方法首先以边缘超像素为吸收节点,利用马尔可夫吸收链计算其他超像素的平均吸收时间作为背景先验值,得到背景先验图;然后使用改进Harris角点检测估计目标区域位置,建立峰值位于目标中心的2维高斯函数,计算各超像素的中心先验值,获取中心先验图;最后将背景先验图与中心先验图相融合得到显著图。同时该方法融合多尺度检测结果,进一步提高显著值的准确性。结果 通过ASD、SED1、SED2和SOD 4个公开数据库对比验证了基于背景先验与中心先验相融合算法具有较高的查准率、查全率和F-measure,相较于基于马尔可夫吸收链算法均提高了3%以上,总体效果明显优于目前的10种主流算法。结论 相较于基于单一先验信息的算法,基于背景先验与中心先验相融合的算法充分利用了图像信息,在突出全局对比的同时也保留了较多的局部信息,能高亮地凸显图像中的显著性目标。该方法在检测单一目标的图片时效果显著,但对于多目标的显著性检测尚有不足。     

显著性纹理结构特征及车载环境下的行人检测

边缘信息往往是视觉对象检测的关键,已有方法对边缘梯度在各个方向上进行计算,会导致计算冗余.受韦伯局部描述算子的启发,提出一种模拟人眼观察事物的发散性及显著性特点的纹理结构算子.首先,计算邻域像素与中心像素灰度值相对差的总和,除以中心像素的灰度值求出局部显著性因子;然后,通过中心发散灰度共生矩阵提取局部纹理结构;最后,构造二维直方图结合显著性因子和纹理结构,生成一定维数的显著性纹理结构特征描述算子.实验结果表明,该特征算子具有良好的边缘检测能力,应对噪声和明暗变化的鲁棒性以及强大的结构表达能力,其行人检测的准确率优于中心变换直方图和梯度方向直方图.对车辆主动安全有很高的应用价值.     

基于图像单元对比度与统计特性的显著性检测

根据视觉注意机制, 提出一种基于图像单元对比度与空间统计特性的可靠显著性区域检测方法. 通过自适应的图像分割构造图像单元结构, 以图像单元为基础, 分别利用颜色对比度和空间统计特性两种模型进行显著性区域检测, 最后, 将两种模型的检测结果通过高斯模型进行结合, 得到最终的显著性区域检测的结果. 实验表明, 该检测方法与现有的方法比较, 具有更好的精度和召回率, 能明显抑制复杂纹理和噪声, 去除复杂背景的影响.     

基于全局和局部短期稀疏表示的显著性检测

显著性检测是计算机视觉研究的一个重要问题。提出了一种由底向上的基于稀疏表示的显著性检测新算法。一般显著性检测主要包含两个部分,即图像特征提取和显著性度量。对于一幅给定的图像,首先利用独立成分分析(ICA)方法提取图像特征,然后用一个局部和全局模型对图像进行显著性度量。其中,利用一种低秩表示方法提取全局显著性,以及利用一种稀疏编码方法提取局部显著性。最后融合局部和全局显著图得到最终的显著图。在一个人眼关注数据库上与目前几种流行的方法进行了对比实验,实验结果显示所提出的方法能够得到更高的视觉关注预测准确率。     

基于局部对比和全局稀有度的显著性检测

为了提高显著图的精确度,能够准确地提取显著目标,提出了结合局部对比和全局稀有度的显著性检测算法.该方法通过两个方面来衡量显著性:局部对比和全局稀有度.采用多尺度高斯差分模拟“中央周边差”计算中心点与其周围点的各特征之间的差异来描述局部对比,采用多尺度高斯卷积图像的特征及特征方差的概率计算全局稀有度,将局部对比和全局稀有度融合和归一化得到最终综合显著图.实验结果表明,该方法能较好地检测图像中的显著区域,在突出图像中不同物体边缘的同时,也能突出图像中同质区域的显著性,说明了结合局部和全局的算法能够得到更好的显著图.     

基于信息量增强的共生直方图显著性检测算法

针对目前基于共生直方图显著性方法检测得到的显著性区域容易受到背景区域高对比度边界的干扰,提出了一种通过信息量增强的改进后的共生直方图检测方法。该方法利用显著性区域和背景边界区域在局部共生直方图分布复杂度差异较大的特点,并使用信息量值来量化这种差异。在进行显著度计算时将对局部共生直方图复杂度估计的信息量值叠加到原始算法的各个通道中,从而达到增强显著性区域的同时抑制背景边缘显著性的目的。对AIM数据集进行数值实验,该方法对原方法在准确性和鲁棒性上都具有较为明显的改善,通过ROC曲线进行分析,所提出方法将原方法的AUC值从0.720 8提高到0.731 1。     

自适应融合局部和全局稀疏表示的图像显著性检测

针对基于局部或全局稀疏表示的图像显著性检测方法频繁出现提取对象不完整、边界不光滑及噪声消除不干净等问题,提出自适应融合局部和全局稀疏表示的图像显著性检测方法。首先,对原始图像进行分块处理,利用图像块代替像素操作,降低算法复杂度;其次,对分块后的图像进行局部稀疏表示,即：针对每一个图像块,选取其周围的若干图像块生成过完备字典,基于该字典对图像块进行稀疏重构,得到原始图像的初始局部显著图,该显著图能够有效提取显著性目标的边缘信息;接着,对分块后的图像进行全局稀疏表示,与局部稀疏表示过程类似,不同的是针对每一个图像块所生成的字典来源于图像四周边界处的图像块,这样可以得到能有效检测出显著性目标内部区域的初始全局显著图;最后,将初始局部和全局显著图进行自适应融合,生成最终显著图。实验结果表明,提出算法在查准率（precision）、查全率（recall）及F-measure等指标上优于几种经典的图像显著性检测方法。     

结合深度学习和全局-局部特征的图像显著区域计算

为提高图像显著区域的检测效率,提出一种结合区域特征-全文信息的深度学习框架用于显著区域检测计算.首先提出基于前景的颜色独特性和紧凑性来突出显著前景区域;然后结合全局空间情景分布和局部信息之间的关系,提出全局上下文模型与局部精细检测模型来深度准确计算图像的显著特征;并提出循环结构网络对每个特征图进行位置加权,最后将每个块模型的输出以反馈方式连接到输入建立循环连接,通过反复迭代过滤噪声,减少背景信息的影响.将提出的算法在ECSSD,DUT-OMRON图像库中与其他算法进行对比测试,得出的实验结果均优于当前流行算法.     

基于颜色通道比较的显著性检测

为了快速有效地检测图像中的显著性区域,利用颜色通道差异信息和空间信息,提出了一种基于颜色通道比较的显著性检测算法. 该算法将显著性检测任务看作对图像前景区域和背景区域进行分离和识别的过程,首先基于RGB颜色空间构造了一组反映不同色彩信息的颜色通道,通过通道比较将不同颜色的区域分离开,然后通过分析空间信息选择出属于前景的区域,最后对所有前景区域进行合并得到最终的显著图. 我们在两个公开数据集上与现有的一些检测算法进行了对比试验,结果表明该算法具有较低的计算复杂度以及较高的检测准确率和召回率,证明该算法是简单有效的.     

基于全局和局部信息融合的图像显著性检测

视觉注意机制是机器视觉的重要组成部分,受到越来越多的关注.文中提出一种基于全局和局部信息融合的图像显著性检测方法.模型首先对输入图像进行离散剪切波分解,得到尺度系数和剪切波系数.由于剪切波系数包含大部分图像细节信息,模型在每个分解层上对剪切波系数重构得到描述特征图.在特征图的基础上,一方面从全局的角度出发,使用所有特征图获取特征向量计算全局概率密度分布矩阵,进而构建全局显著图,另一方面从局部的角度出发,在每幅特征图上计算局部区域的熵值,进而构建局部显著图.最后对两幅显著图进行融合,得到综合显著图.实验结果验证该算法的有效性和可行性.     

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...