基于边缘与深度特征的感兴趣区域检测技术

针对基于显著图模型的感兴趣区域(ROI)检测方法中,存在的检测结果与视觉感知有差异、转移过程中同一目标内出现多个感兴趣区域检测结果等问题,将边缘与深度两种视觉特征引入检测过程中,以使感兴趣区域检测结果更符合人的视觉感知,同时,对二值显著图引入膨胀运算,以将同一目标上的不同块连接起来,解决转移过程中同一目标内出现多个感兴趣区域的问题.实验结果表明,新算法检测到的感兴趣区域与人的视觉感知结果吻合率为82.5%,高于Itti方法的67.5%.     

运动人体感兴趣区域的自动检测

人体运动自动检测与跟踪是人工智能系统的重要研究方向.提出了一种简单高效的人体感兴趣区域--ROI的自动检测方法.该方法运用帧差法和图像显著图算法模拟人眼视觉系统对运动人体注视点的形成过程,并通过联合显著区域的划定自动检测形成相应的运动人体ROI.实验结果表明,该方法检测出的人体ROI符合人眼观察运动目标时的视觉关注区域,可运用于后续基于颜色特征区域的运动人体跟踪.     

基于中低层结合的图像感兴趣区域标注

图像感兴趣区域标注是近年来图像处理领域的重要研究课题之一。利用中低层次信息相结合的方式确保中低层信息相互补充,可以得到可靠结果。中层次显著图由改进的Harris角点形成的凸包区域与GBR超像素聚类结果相结合得到,低层次信息由不同权重的高斯差分滤波器对图像进行处理得到。最后通过加权融合两个层次显著图得到最终结果。本文利用微软亚洲研究院公开数据库对实验结果进行验证,并选取其他前沿方法进行对比,从主观和客观角度对实验结果进行判断,本文方法结果较好,可准确定位显著度区域并高亮表示,同时可有效消除背景噪声。     

基于视觉注意的医学图像感兴趣区域提取*

提出一种基于视觉注意机制的医学图像感兴趣区域提取方法。受生物学启发,该方法模仿人类自下而上的视觉选择性注意过程,通过计算图像中每个像素的全局对比度,构造相应的显著图,并根据显著图,检测出图像中的显著区域。利用多幅医学图像对本方法进行评估,结果表明,该方法能够快速、精确地提取图像中的感兴趣区域,在提取结果和运算速度上均取得了令人满意的效果。     

卫星云图感兴趣区域自动提取方法研究

卫星云图中人们感兴趣的区域(ROI)往往是各类云团,针对卫星云图内容的复杂性,利用直方图模糊加权C均值聚类方法实现云图的图像分割,对分割结果进行后处理,最终获取云图内的感兴趣区域。常规聚类方法需要人工指定类个数,影响了ROI提取过程的自动化程度。引入修正聚类评价指标,基于该指标实现最佳类别个数的自动确定。云图分割是感兴趣区域提取过程的关键,采用的直方图模糊加权C均值聚类方法在原有算法基础上,引入样本权重概念,使得聚类过程更为合理;同时将聚类对象由原始像素转换为灰度直方图,提高了聚类过程执行效率。实验结果表明设计的感兴趣区域提取方法能较为准确地分辨出陆地、水体、低云、中云、卷云、对流云六类区域,提取结果与客观实际一致。     

基于ORB和最小凸包的感兴趣区域检测方法研究*

随着科技的发展,如何准确检测出复杂背景情况下的感兴趣区域(ROI)和提高检测方法的实时性已经成为图像处理领域亟待解决的问题。针对此问题,提出了基于ORB(ORiented Brief)算法检测特征点,并采用最小凸包检测感兴趣区域的方法。首先,采用ORB算法提取出图像中的特征点,然后从中挑选出效果良好的点对图像进行描述,最后采用最小凸包算法检测出感兴趣区域。在和其它算法的检测速度对比和复杂情环境况下的检测实验结果表明,ORB和最小凸包算法的结合在保证的检测精度基础上提高了检测速度。     

图像感兴趣区域检测技术

感兴趣区域（ROI）检测技术,是将图像中最能表现图像内容的关键区域提取出来的技术。对现有的静态图像ROI检测技术进行讨论。分析ROI检测技术的产生背景,评述几种当前较具代表性的ROI检测算法。详细讨论基于视觉特征的ROI检测算法,最后列举一些主要的ROI应用方向,并对ROI检测技术的发展前景进行展望。     

结合区域协方差分析的图像显著性检测

目的 图像显著性检测的目的是为了获得高质量的能够反映图像不同区域显著性程度的显著图,利用图像显著图可以快速有效地处理图像中的视觉显著区域。图像的区域协方差分析将图像块的多维特征信息表述为一个协方差矩阵,并用协方差距离来度量两个图像块特征信息的差异大小。结合区域协方差分析,提出一种新的图像显著性检测方法。方法 该方法首先将输入的图像进行超像素分割预处理;然后基于像素块的区域协方差距离计算像素块的显著度;最后对像素块进行上采样用以计算图像像素点的显著度。结果 利用本文显著性检测方法对THUS10000数据集上随机选取的200幅图像进行了显著性检测并与4种不同方法进行了对比,本文方法估计得到的显著性检测结果更接近人工标定效果,尤其是对具有复杂背景的图像以及前背景颜色接近的图像均能达到较好的检测效果。结论 本文方法将图像像素点信息和像素块信息相结合,避免了单个噪声像素点引起图像显著性检测的不准确性,提高了检测精确度;同时,利用协方差矩阵来表示图像特征信息,避免了特征点的数量、顺序、光照等对显著性检测的影响。该方法可以很好地应用到显著目标提取和图像分割应用中。     

基于粗糙集的图像感兴趣区域自动提取算法

在分析常规区域生长算法的基础上,提出一种基于粗糙集理论的感兴趣区域自动提取算法．在显著度图和相对位置指示图的基础上,以像素点的显著度、相对位置及颜色信息构成知识表达系统,通过属性约简和值约简,导出了有用的区域生长决策规则。实验结果表明：该方法与现有算法相比,它能够更好地提取图像感兴趣区域。     

一种基于颜色特征的感兴趣目标提取方法

针对现有的感兴趣区域(ROI)提取方法边缘不清晰、区域不完整等问题,提出一种ROI提取方法.首先采用颜色局部特征的信息量大小衡量兴趣度的大小,然后融合颜色特征信息量图获得图像的显著图(SM),再进行阈值分割,得到显著值大的区域,即ROI.实验结果表明,该方法能有效地提取出感兴趣的对象,SM中目标区域的显著值均匀、边缘清晰;与人工标记的ROI比较,该方法召回率为79.71％,精度为78.53％,优于已有的ROI提取方法.     

结合背景和前景先验的显著性检测

目的 显著性检测已成为图像处理过程中的一个重要步骤,已被应用到许多计算机视觉任务中。虽然显著性检测已被研究多年并取得了较大的进展,但仍存在一些不足,例如在复杂场景中的检测不准确或检测结果夹带着背景噪声等。因此,针对已有图像显著性检测方法存在的不能有效抑制背景区域,或不能清晰突显出完整的目标区域的缺点,提出一种结合背景先验和前景先验信息的图像显著性检测算法。方法 首先选取图像的边界超像素作为背景区域,从而根据每个区域与背景区域的差异度来建立背景先验显著图;然后通过计算特征点来构建一个能够粗略包围目标区域的凸包,并结合背景先验显著图来选取前景目标区域,从而根据每个区域与前景目标区域的相似度来生成前景先验显著图;最后融合这两个显著图并对其结果进一步优化得到更加平滑和准确的显著图。结果 利用本文算法对MSRA10K数据库内图像进行显著性检测,并与主流的算法进行对比。本文算法的检测效果更接近人工标注,而且精确率和效率都优于所对比的算法,其中平均精确率为87.9%,平均召回率为79.17%,F值为0.852 6,平均绝对误差（MAE）值为0.113,以及平均运行时间为0.723 s。结论 本文提出了一种结合两类先验信息的显著性检测算法,检测结果既能够有效地抑制背景区域,又能清晰地突显目标区域,从而提高了检测的准确性。     

基于视觉显著性图与似物性的对象检测

为了能够准确地检测出图像中的显著性对象,提出了一种新的基于视觉显著性图与似物性的对象检测算法。该算法首先在图像上提取大量具有较高似物性度量的矩形窗口,并估算出对象可能出现的位置,将窗口级的似物性度量转换到像素级的似物性度量;然后把原始显著性图与像素级的似物性图进行融合,生成加权显著性图,分别二值化原始显著性图和加权显著性图,利用凸包检测得到最大查找窗口区域与种子窗口区域;最后结合边缘概率密度搜索出最优的对象窗口。在公开数据集MSRA-B上的实验结果表明,该算法在准确率、召回率以及F-测度方面优于最大化显著区域检测算法、区域密度最大化算法以及似物性对象检测算法等已有的多种算法。     

车辆检测中一种兴趣区域提取方法

在基于视频图像方法的车辆检测系统中,兴趣区域的提取是至关重要的.提出了一种新颖的方法来检测图像中的兴趣区域,为后续处理提供有效的特征信息.该方法的核心思想就是根据兴趣函数抽取图像中的兴趣点;然后按照一定的策略将这些兴趣点进行合并处理组成兴趣区域,最后根据阈值选取合适的区域作为最后的兴趣区域检测结果.给出了相关实验结果和分析,结果表明该方法是有效可行的.     

基于分形与小波的图像ROI自动提取算法

针对分形应用于人造目标作为感兴趣区域的检测中,单一分形特征检测效果不好及计算量大的问题,提出了一种基于分形和小波相结合的图像感兴趣区域提取算法。首先对图像进行小波分解,然后综合利用低频子图像的分形截距特征和拟合误差特征,得到一个新的有效的分形特征参数,从而检测获得低频子图像的感兴趣区域,最后根据原始图像与子图像的坐标对应关系,得到原始图像的感兴趣区域。实验结果表明,该算法能够有效地检测图像感兴趣区域,并且检测速度快。     

基于ROI的2D控制图像编码

图像是多媒体应用中人们相互之间进行信息交换的重要工具，它在Internet上实时可靠的传输对于多媒体应用的普及具有重要意义。然而，当图像在丢包网络如Internet上传输时，接收端有时需要经过长时间的等待才能获得整个码流来重建图像。为此提出了一种基于对象的精细可伸缩性编码方法，该方法将对象编码与位平面编码相结合。一方面，这种方法具有精细增强图像质量的能力；另一方面，它又可以通过指定对象优先级和提升位平面来更为灵活地控制用户感兴趣区(ROI，region of interest)。试验结果证明，该算法具有精细性和灵活控制性。     

基于视觉显著图的彩色图像检索

为提高图像检索效率,提出一种基于视觉显著图的彩色图像检索方法。利用视觉显著图去除原图中与检索任务无关的背景信息,保留用户感兴趣的图像区域信息,采用小波域的BDIP-BVLC方法提取图像特征,并引入二次查询度量策略进行距离度量。实验结果表明,与基于显著性加权的检索方法相比,该方法的平均查准率较高。     

基于Object Proposals并集的显著性检测模型

针对当前常见的显著性检测模型得到的结果会包含大量的背景区域的缺点,本文提出了基于Object Proposals并集的显著性检测模型。该模型首先对于输入图片生成一系列Object Proposals,并通过其并集计算得到背景图;然后结合纹理特征和全局对比度得到初始显著图;最后,用得到的背景图对初始显著图进行背景抑制得到最终显著图。实验结果表明,在通用MSRA1000数据集上,本文提出的显著性模型与其他5种方法相比取得了很好的效果。