Hamming-Hausdorff距离下区间直觉模糊知识测度及应用

提出了一种基于改进Hamming-Hausdorff距离的区间直觉模糊知识测度（interval-valued intuitionistic fuzzy knowledge measure,IVIFKM）,并应用于图像阈值分割中,获得了更好的图像分割结果.最新研究成果表明,直觉模糊环境下的知识度量包括两个重要方面,即信息量与信息清晰度.基于这种理解,提出新的区间直觉模糊知识测度公理系统.同时,改进并推广标准Hamming-Hausdorff距离,结合理想解法（technique for order preference by similarity to ideal solution,TOPSIS）,建立新的满足所提公理系统要求的区间直觉模糊知识测度.随后,将所提测度模型应用于图像阈值分割中,并根据区间直觉模糊集自身结构特点,进一步提出一种精炼而高效的像素分类规则及图像区间直觉模糊化算法.最后,利用所提测度模型计算图像的区间直觉模糊知识量,确定最佳分割阈值,实现图像分割.实验结果表明,该基于知识驱动的图像阈值分割方法性能表现稳定、可靠,所生成的二值图具有更加优良的性能指标,明显优于其他同类算法.将知识测度新理论引入图像处理领域,为该理论在其他相关领域的潜在应用提供了实例.     

尺度自适应的SAR图像显著性检测方法

人类视觉系统能够通过对场景中感兴趣的不同事物进行显著性检测,有效地配置处理资源。基于视觉注意机制的显著性检测方法能够简化遥感影像场景分析、目标解译的复杂程度,节省处理资源。以视觉注意机制为基础,提出了一种尺度自适应的SAR图像显著性检测方法,通过不同尺度下的局部复杂度和自差异性来度量图像的显著性测度,设计显著性尺度确定算法以及融合显著性尺度和显著性测度以生成显著图,完成显著性检测的流程。实验结果表明该方法能够有效应用于SAR图像显著性检测,较之其他主流显著区域检测算法更适用于SAR图像场景分析。     

基于方向信息梯度的图像模糊测度

提出了一种新的图像模糊测度方法,该方法以图像小波分解的低频系数各个方向上的信息梯度和作为图像的模糊测度,理论与实验证明该测度相对于图像的模糊程度是单调和单峰的,并且受噪声、亮度和对比度变化影响较小。     

基于视觉显著性与PCNN的图像分割算法

针对射线缺陷检测图像对比度低、缺陷边缘模糊、噪声多、存在较大的背景起伏等缺点,传统缺陷检测方法难从焊缝缺陷图像中提取出对比度较低的目标缺陷的问题,该文提出了结合视觉显著性与脉冲耦合神经网络（PCNN）的缺陷分割算法。首先,利用LC算法对射线检测图像进行显著性区域检测,得到反映图像不同区域显著程度的显著图;其次,将所得到的显著图作为简化PCNN的输入图像,并利用最小交叉熵分割出感兴趣区域。实验结果表明,相较于传统的最大类间方差（Otsu）算法和脉冲耦合神经网络算法,采用该算法分割缺陷的效果较好,其分割边缘与细节信息的清晰度高,采用该算法分割缺陷的效果有较大提升。     

边缘加权的结构相似性测度

针对结构相似性测度(SSIM)不能较好地客观评价图像模糊与强高斯噪声失真的问题,提出一种边缘加权的结构相似性测度(EWSSIM),以符合人眼视觉系统(HVS)特性。EWSSIM将原始图像和失真图像的整体轮廓信息与局部纹理细节信息加权,更充分地描述图像的结构相似度。通过LIVE图库的仿真结果表明,与SSIME相比,WSSIM能够更好地评价图像模糊与强高斯噪声失真,且在各类失真图像的评价一致性上优于SSIM。     

区间模糊谱聚类图像分割方法

近年来谱聚类算法在模式识别和计算机视觉领域被广泛应用,而相似性矩阵的构造是谱聚类算法的关键步骤。针对传统谱聚类算法计算复杂度高难以应用到大规模图像分割处理的问题,提出了区间模糊谱聚类图像分割方法。该方法首先利用灰度直方图和区间模糊理论得到图像灰度间的区间模糊隶属度,然后利用该隶属度构造基于灰度的区间模糊相似性测度,最后利用该相似性测度构造相似性矩阵并通过规范切图谱划分准则对图像进行划分,得到最终的图像分割结果。由于区间模糊理论的引入,提高了传统谱聚类的分割性能,对比实验也表明该方法在分割效果和计算复杂度上都有较大的改善。     

基于解析稀疏表示的图像模糊无参考快速评价算法

针对模糊图像的质量评价,提出了一种基于解析稀疏表示的图像模糊快速评价算法。考虑到模糊会造成图像中高频信息的损失,因此所提出的方法通过衡量图像中的能量来评价图像的模糊程度。首先利用解析稀疏表示字典将待评价图像进行分解,并通过稀疏表示系数计算图像的能量,以作为图像模糊程度的指标。为了消除图像内容对评价结果的影响,采用图像块的方差和来对图像的能量进行归一化。然后利用视觉显著性进行加权,使得模糊质量分数与主观评价结果更加一致。最后在四个通用的图像质量数据库上对算法的性能进行测试。实验结果表明该算法的性能优于现有算法,且计算复杂度较低。     

应用改进视觉显著性度量方法进行图像分割

视觉注意机制是人类与生俱来的特有属性.在视觉注意机制的协助下,人类视觉系统可以有选择性地针对视觉信息进行处理并有效解决有限信息处理资源与海量视觉信息之间的矛盾.与现有基于计算机视觉机制的图像分割方法比较,本文提出改进视觉显著性度量方法生成的系统显著图能够更加准确表现原始图像中各个像素点的显著性值,根据系统显著图进行阈值分割便可以对前景目标和背景区域进行区分,不需要加入其他方法,这样既可以降低运算时间复杂度,又可以使得图像分割结果更符合人类视觉特点.本文算法对于包含前景目标可得到优良的图像分割结果,但本方法对于背景较复杂同时前景目标模糊的原始图像的图像分割效果不够理想.     

遥感图像端元光谱变异性的模糊描述

在遥感图像中,利用模糊扩展的概率测度描述混合像元各端元的丰度含量,是模糊集合理论进行混合像元分解的主要手段。然而由于非线性因素的影响以及自然地物的复杂性,往往导致了端元光谱的变异性,这是造成混合像元分解误差的主要原因之一。从模糊集合的另一种测度——可能性测度出发,讨论了对端元光谱的变异性的描述：在遥感图像多维正态分布假设的前提下,利用1维连续的卡方分布,提出了面向遥感图像可能性分布的模糊描述,并进一步提出了可能性分布的模糊划分算法,对整个图像进行端元的模糊划分,从而描述端元光谱的变异性。通过对真实的高光谱遥感图像进行检验,结果表明,该方法能充分地表达端元光谱的变异性,可为今后进一步提高遥感图像混合像元分解精度提供重要的参考。     

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。     

多尺度卷积神经网络显著物体检测

目的 传统显著性检测模型大多利用手工选择的中低层特征和先验信息进行物体检测,其准确率和召回率较低,随着深度卷积神经网络的兴起,显著性检测得以快速发展。然而,现有显著性方法仍存在共性缺点,难以在复杂图像中均匀地突显整个物体的明确边界和内部区域,主要原因是缺乏足够且丰富的特征用于检测。方法 在VGG（visual geometry group）模型的基础上进行改进,去掉最后的全连接层,采用跳层连接的方式用于像素级别的显著性预测,可以有效结合来自卷积神经网络不同卷积层的多尺度信息。此外,它能够在数据驱动的框架中结合高级语义信息和低层细节信息。为了有效地保留物体边界和内部区域的统一,采用全连接的条件随机场（conditional random field,CRF）模型对得到的显著性特征图进行调整。结果 本文在6个广泛使用的公开数据集DUT-OMRON（Dalian University of Technology and OMRON Corporation）、ECSSD（extended complex scene saliency dataset）、SED2（segmentation evalution database 2）、HKU、PASCAL-S和SOD（salient objects dataset）上进行了测试,并就准确率—召回率（precision-recall,PR）曲线、F测度值（F-measure）、最大F测度值、加权F测度值和均方误差（mean absolute error,MAE）等性能评估指标与14种最先进且具有代表性的方法进行比较。结果显示,本文方法在6个数据集上的F测度值分别为0.696、0.876、0.797、0.868、0.772和0.785;最大F测度值分别为0.747、0.899、0.859、0.889、0.814和0.833;加权F测度值分别为0.656、0.854、0.772、0.844、0.732和0.762;MAE值分别为0.074、0.061、0.093、0.049、0.099和0.124。无论是前景和背景颜色相似的图像集,还是多物体的复杂图像集,本文方法的各项性能均接近最新研究成果,且优于大多数具有代表性的方法。结论 本文方法对各种场景的图像显著性检测都具有较强的鲁棒性,同时可以使显著性物体的边界和内部区域更均匀,检测结果更准确。     

基于自适应模糊映射图估计的离焦靶标图像盲复原

为解决靶标图像全局和局部离焦模糊问题,提出一种基于自适应模糊映射图估计的快速盲复原方法。首先,根据尺度空间图像边缘的连续性,自适应选择二次模糊量参考矩阵,并对离焦模糊靶标图像进行二次模糊,然后基于图像边缘差比计算稀疏模糊映射图,利用引导滤波进行插值获取模糊映射图,最后基于光学离焦退化模型建立模糊映射图和模糊退化图像之间的物理关系,实现离焦模糊靶标图像快速复原。实验结果表明,本文方法能够有效恢复离焦模糊靶标图像,增强靶标图像边缘特征,在算法运行效率上有极大优势,避免了迭代算法的高时耗问题,适合实际工业应用。     

基于自适应四元数奇异值分解的图像拼接检测

图像拼接将来源不同的图像合并成一幅图,由此引起图像中光照方向、噪声等特性出现不一致的情况。目前多数方法根据拼接图像中噪声的不一致性来检测伪造区域,但是普遍对不同大小图像块的噪声估计准确性不高,导致真阳性率较低,且当噪声差异较小时会检测失败。针对该问题,提出一种基于自适应四元数奇异值分解（QSVD）的噪声估计方法。对图像进行超像素分割,利用自适应QSVD估计超像素的噪声,结合图像亮度并利用多项式拟合建立图像噪声-亮度函数,得到各超像素到该函数曲线的最小距离测度。为提高检测精确率,利用色温估计算法提取超像素的色温特征,将距离测度与色温特征相融合作为最终的特征向量,利用FCM模糊聚类定位拼接区域。在Columbia IPDED拼接图像数据集上进行实验,结果表明,该方法在未经后处理图像集上的检测TPR值较对比方法至少提升8.21个百分点,且对高斯模糊、JPEG压缩和伽马校正表现出较好的鲁棒性。     

Q＆A

景深处理 请问老师,想要把大景深的照片虚化背景,做成小景深效果,如何操作更接近于真实拍摄的效果？ Photoshop CS6提供了一个新的滤镜——光圈模糊（如图）,可以为图像添加多个图钉,并控制每个图钉的模糊范围和模糊程度来精确控制画面的虚实关系,其效果更加接近甚至超出拍摄的浅景深效果。     

烧结断面火焰图像多核Boosting显著性检测

烧结断面火焰图像受烟尘与光晕干扰,图像中火焰边缘与料层区域出现模糊退化现象.为解决传统基于二维图像特征的显著性检测方法难以有效地获取断面火焰图像实际显著区域的问题,提出基于边界连通性与多核Boosting的显著性检测方法.首先在图像颜色空间转换过程中采用色彩去相关原理,利用边界连通性与暗通道先验获取初始显著性图,提高初...     

应用奇异值分解的海上场景显著性检测

提出一种应用奇异值分解的海上场景显著性检测方法。提取海上场景图像中颜色和亮度各通道特征,并对各其分别进行奇异值分解,根据设定的阈值,选择各特征的典型分量。各特征的粗显著图定义为各特征和其典型分量的差。为进一步去除海杂波等干扰,在粗显著图中,计算其空间域全局显著性,以此形成显著性图。得到的颜色通道和亮度通道显著图通过线性合并为总显著图。利用海上场景图像进行了实验,结果表明提出方法的有效性。     

一种基于内容的图像质量评价测度

鉴于传统的图像质量评价测度,如峰值信噪比,不能有效地反映人对图像的视觉感知。为此,提出了一种基于内容的图像质量评价测度;在改进基于结构相似度(structural similarity,SSIM)的图像质量测度基础上,根据图像的内容将图像分成边缘、纹理和平滑区域3部分,在每个区域又利用模糊积分融入了结构相似性的数量信息,从而充分利用了图像结构信息相似性及其在位置和数量上的融合信息来全面评价图像质量。实验结果表明,利用该测度所得到的图像质量评价结果与主观评价结果有着很好的相关性,能较准确地反映人对图像质量的主观感受。     

图像显著性传播及约束的协同显著性检测*

协同显著性检测是指在一组相关图像中发现共同的显著前景区域。现有方法捕获图像中节点对的关系,利用人类先验知识构建协同显著性检测模型,然而忽略了检测中节点之间的高阶关系,没有挖掘到节点间的潜在联系,从而导致次优的协同显著图。提出了一个新颖的基于超图的种子传播的协同显著性检测框架。具体来说,框架由交叉图像显著性传播和图像内显著性约束组成,前者利用基于单显著图的显著种子点,跨图像交叉传播机制,融合算法检测图像组的协同显著对象并抑制非协同显著对象,获得初步协同显著图;后者再引入图像的凸包先验机制,学习空间分布信息,约束共同背景噪声,抑制相似背景区域,获得更精确的协同显著图。在两个广泛使用的协同显著性检测数据集上进行大量的实验,结果表明,同为无监督模型,相比现存的无监督协同显著性方法,获得了最优的性能。     

结合立体视觉舒适度的立体图像显著性检测

针对先前的立体图像显著性检测模型未充分考虑立体视觉舒适度和视差图分布特征对显著区域检测的影响,提出了一种结合立体视觉舒适度因子的显著性计算模型.该模型在彩色图像显著性提取中,首先利用SLIC算法对输入图像进行超像素分割,随后进行颜色相似区域合并后再进行二维图像显著性计算;在深度显著性计算中,首先对视差图进行预处理;然后基于区域对比度进行显著性计算;最后,结合立体视觉舒适度因子对二维显著图和深度显著图进行融合,得到立体图像显著图.在不同类型立体图像上的实验结果表明,该模型获得了85%的准确率和78%的召回率,优于现有常用的显著性检测模型,并与人眼立体视觉注意力机制保持良好的一致性.     

相机阵列多视角图像盲去模糊方法

提出了一种基于正则化方法的多视角盲去模糊方法,对相机阵列拍摄的一系列初始模糊图像进行图像恢复处理.该方法分为3个步骤:首先,基于光流算法对多个镜头获取的同一场景图像进行配准;然后,将配准图像运用多图盲去模糊算法估计出各自的模糊核;最后,根据估计出的模糊核采用非盲去模糊算法准确估计出各自的清晰图像.实验结果表明:相比对每一视角图像单独使用单图盲去模糊算法进行处理,多视角盲去模糊方法对噪声具有良好的鲁棒性;应用于自己构建的相机阵列系统拍摄的多视角图像,该方法在2种无参考图像指标NIQE和SSEQ下分别提高了4.20%和55.60%.