基于立体视觉分析的显著性区域检测算法

针对传统单目视觉显著性模型存在细节丢失,不适用于复杂场景等问题,提出一种基于立体视觉分析的显著性区域检测算法。首先,采用基于图的分割方法将图像分割成不同区域,根据颜色和视差以及空间相干性计算颜色复杂度和视差复杂度。其次,对两者进行显著性聚合,计算像素对比度从而得到区域对比度。最后,引用视差信息计算局部对比度后,进行融合归一化,获得显著图。该算法适用于背景纹理复杂的立体图像显著性区域检测,检测的显著图细节突出,边缘锐利。实验结果表明,该算法优于其他显著性算法,符合人类视觉机制,在立体图像数据集上获得了75%正确率和88%召回率。     

基于偏振特征与强度信息融合的工件目标检测

针对目前工件尺寸测量在工件关键测量点的准确提取阶段存在的问题,因此本文提出一种基于偏振特征与强度信息融合的工件目标检测方法。在工件强度图像的基础上引入偏振特征,建立强度信息与偏振特征差异化式高效交互的双流网络模型,以实现更高效的偏振特征和强度信息融合。为验证算法的效果,本文建立了偏振图像工件目标显著性检测数据集。在此数据集上,本文提出的算法在精确度Precision、max-F和相似性值S-measure三个指标上和视觉结果均在对比算法中达到了最优结果,充分表明了本文算法出色的工件目标检测性能,具有极佳的工件目标检测效果。     

基于综合特征和多层感知器的图像分类

图像侦查已经成为军事侦查的主要方法之一,由于侦查图像数据量大,如何对前期图像正确分类,提高后期图像处理效率,成为研究的重点。不同目标类别的图像信息中所反映的特征不同,图像分类是指通过特征把不同类别的目标区分开。一种特征不能全面描述图像的信息,将纹理特征和灰度统计量特征组合为综合特征,多层感知器具有显著的学习和推理能力,可以解决复杂分类的问题,因此提出一种基于图像的综合特征和多层感知器相结合进行图像分类的方法。设计并实现了图像分类系统,使用标准图像库进行实验。首先提取图像的纹理特征和灰度特征,然后将选择的特征值组合成特征向量,进行归一化处理,作为多层感知器的输入,将预测的图像类别作为多层感知器的输出,从而得到分类结果。经过实例验证,分类准确率大于0.8,并将该分类系统应用在某型机试验结果评估系统,分类效果较好,可以为图像处理系统相关应用提供参考。     

融合静态手势特征和手部运动轨迹特征的手势交互方法

手势识别一直是人机交互研究的热点,由于受环境与视角的影响,单一特征不能很好地完成手势的识别,提出一种融合静态手势特征和手部运动轨迹特征的手势交互方法.该方法基于深度摄像头提取视觉信息,一方面获取RGB图像信息,对图像进行简单有效的预处理,将处理后的图像用卷积神经网络训练分类模型得到手部的静态手势特征;另一方面借助Ki-...     

基于随机加权的SAR图像多特征联合目标分类

提出随机加权的合成孔径雷达(SAR)图像多特征联合目标分类方法,多特征决策融合是提高SAR目标分类性能的重要手段之一,然而,不同决策融合机制得到的结果往往大相径庭。首先采用联合稀疏表示对SAR图像中提取的多类特征进行表示,这一步骤主要是在单独表示各类特征的同时挖掘它们之间的关联性;对于各个特征输出的重构误差,并不是采用传统的简单相加而是利用多组随机权值矢量对所有的重构误差进行分析;最后,基于加权后的结果定义决策变量,完成目标类别的判断。在MSTAR数据集上对提出方法进行验证,结果表明其有效性。     

基于共性与特性信息融合的遥感场景图像分类

由于遥感场景图像类内差距大即同一类别图像的特性信息相差较大,仅仅依靠特性信息分类的准确率不高,而现有遥感场景图像分类方法忽视了同一类别所具有的相同的共性信息也可以辅助图像识别,对此本文提出一种基于共性与特性信息融合的遥感场景图像分类方法。首先,图像通过卷积网络较浅层与深层得到的简单特征图与复杂特征图相叠加,可认为是此图像注意力集中的特征图,提取此特征图的手工特征LBP作为共性信息。之后与卷积网络提取的特性信息融合并进行分类。本文使用经贝叶斯优化优化超参数的SVM分类器,使其性能达到最佳来消除分类器对实验的影响。在两个数据集UC Merced和AID上的实验,验证其分类精度分别达到了98.80%和96.06%,表明该方法能有效地提升遥感场景图像准确率。在国防,城市规划,地质勘查等领域有重要意义。     

基于Haar-like特征与Adaboost算法的前方车辆辨识技术研究

为了提高前方车辆的辨识效能,提出一种融合Haar-like特征与Adaboost算法的前方车辆辨识方法,基于海量车辆样本集进行离线训练,提取有效车辆轮廓与纹理特征,以Haar-like特征作为目标描述方法,采用Adaboost机器学习算法训练分类器,并构建特征样本级联分类器,对测试对象进行车辆存在性检测.试验结果表明,提出的融合Haar-like与Adaboost的车辆辨识算法检测准确率为91％以上,平均检测速率28 ms,对车辆类型和环境干扰等非确定因素具有较强的自适应能力,提高了前方车辆纵向检测的鲁棒性,满足了车辆纵向维度的安全行驶应用需求.     

面向图像语义分类的视觉单词集成学习方法

针对图像的特性,提出了1种视觉单词集成学习方法.该方法建立在3种初始映射方法的基础上,并充分利用图像的矩、纹理直方图、图像傅里叶描述子等图像视觉特征来分类图像语义.相对于3种初始映射方法,采用Boosting集成学习方法生成的视觉单词集合在图像语义分类上比单独使用任意1种映射方法生成的视觉单词集合有明显的提高.实验结果表明,本文所提出的视觉单词Boosting集成学习方法在图像语义区分性和描述能力方面是有效的,能充分反映人对图像内容的理解,具有很好的应用价值.     

一种多特征融合的图像检索新方法

如何提高基于内容的图像检索的准确率是图像检索领域中的一大难题,其关键在于特征提取方法。针对单一特征检索效果的不足,从图像的多特征入手,先使用颜色和边缘的方向性描述符提取图像的颜色和纹理特征,再使用分层梯度方向直方图提取图像的形状特征,最后采用图像底层特征串行关联的方法将3种特征结合进行检索。使用Corel标准图像集进行测试,结果表明本文方法的查准率和AvgP值比两种原算法均有提高,是一种有效的多特征融合的图像检索方法。     

基于特征融合的风机叶片表面缺陷检测模型

针对风机叶片表面缺陷检测识别率低、且易受光照影响的特点。提出一种基于卷积神经网络特征融合局部二值模式特征及核极限学习机的风机叶片表面缺陷检测方法。利用引入注意力机制的卷积神经网络提取图像深层次信息,然后提取描述图像浅层纹理信息的局部二值模式特征,采用主成分分析方法降低局部二值模式特征维度;将两种从不同层面描述图像的互补特征串行融合。用改进的麻雀搜索算法优化核极限学习机参数,利用融合的特征训练模型,得到最优模型进行缺陷识别。通过实验,在自建数据集训练后的分类准确率达到了97.5%,kappa系数达到95.1。相比利用单一特征检测,分类准确率有明显的提高。经风电场实际验证,本模型的平均分类准确率为96.3%,Kappa系数为94.5,漏报率明显降低。     

结构化矩阵分解的网状织物缺陷检测方法

针对在网状织物缺陷检测过程中因纹理复杂造成误检问题,提出了一种结构化矩阵分解的网状织物缺陷检测方法。首先,通过Retinex算法对图像进行增强,利用所提取的底层图像特征生成特征矩阵,并将其分解为含有织物图像背景信息的低秩矩阵和含有缺陷信息的稀疏矩阵;其次,引入了高级先验矩阵和索引树两个部分,通过利用增强后图像进行获取,并对两个部分进行特征融合,实现缺陷显著性增强。通过计算稀疏矩阵的值,获得缺陷的显著性的大小;最后,通过最佳阈值分割算法分割缺陷显著图,从而得到缺陷检测结果。利用公开数据集TILDA和BASLER工业相机采集到的网状织物缺陷图像验证了算法的性能。研究表明,与其他算法相比,本文算法的识别准确率达到94.25%,召回率达到92.48%,分类准确率达到90.12%。     

基于非下采样 Contourlet 变换耦合特征选择 机制的可见光与红外图像融合算法

为了克服当下较多可见光与红外图像融合方法因忽略了光谱特征而导致融合图像存在光谱扭曲、目标内容显著度较差等不足,提出了非下采样Contourlet变换(nonsubsampled contourlet transform, NSCT)耦合特征选择机制的图像融合算法。首先,通过NSCT对可见光与红外图像计算,分离出其不同图像系数。然后,利用信息熵函数,度量图像所含信息量的丰富度,以形成低频系数的融合系数,得到富含红外目标等丰富信息的融合低频系数。采用像素点的邻点信息,度量图像的清晰度特征,并引入均值函数,度量图像的光谱特征,再联合图像的清晰度特征,构造特征选择机制,从图像中选择理想的高频系数融合函数,获取兼顾细节特征和光谱特征的融合高频系数。最后,通过实验结果发现,较现有的融合算法而言,所提算法拥有更好的融合质量,更好地保持了图像的光谱特征,且目标内容显著。     

尺度及旋转不变纹理图像检索

针对图像检索时常见的尺度及旋转问题,本文提出了一种基于双树复小波变换的尺度及旋转不变纹理图像检索方法.对图像进行尺度变化的预处理,对原图像和变化后的图像分别进行DT-CWT后,提取纹理特征并插值为特征矩阵;分别在尺度维和旋转维上进行FFT消除尺度和旋转变换影响,得到尺度和旋转不变的特征向量;采用Canberra距离进行相似性度量.通过对尺度及旋转变化的纹理图像库的实验表明,该方法对图像的旋转和尺度变化具有较好的鲁棒性.     

基于FPGA的快速图像纹理特征提取方法的研究

图像特征的一个重要分支就是纹理特征,它体现了不同图像和物体的形态、大小、分布、方向等重要参数,对图像特征识别起到决定性因素。但是纹理特征提取的过程十分复杂且计算量巨大,为了解决这个难题,提出了一种在现场可编程逻辑门阵列(FPGA)平台下实现纹理特征提取新方法。首先对基本图像特征算法做了并行化的优化,从算法的数值范围和表示精度两个角度,做了相应的分析和误差控制,从而适应FPGA的运行。然后对FPGA的数据流传输提出了一个高效率的解决办法,该方法对其中的主要模块采用了流水线优化,并采用寄存器配置模式,从而在线地修改参数,适应不同的图像大小和卷积核等环境变量。结果表明,在同等功耗条件下,可以达到10倍于CPU的性能,达到了快速提取特征的目的。     

基于相关型图像传感器的3D AAMs人脸特征自动定位

在基于相关型图像传感器（corre lation image sensor,CIS）三维人脸成像的基础上,利用由CIS得到的深度信息和与之对应的亮度信息,提出一种建立三维人脸模型的方法,将二维AAMs扩展为三维AAMs,融合人脸的形状,纹理和深度信息来构建三维人脸模型。同时,采用三维曲率对人脸特征进行初步定位来解决AAMs初始姿态参数选择问题。人脸面部定位实验证明此方法在不同人脸姿态,表情和光照条件下定位效果要优于传统的2DAAMs。     

面向视觉假体的复杂图像处理技术

为了更准确地提取视觉假体采集的复杂图像中的信息,提出了一种基于视觉显著性的复杂图像视觉焦点检测和基于多尺度信息融合的图像边缘特征提取算法。算法首先利用GB算法计算复杂图像显著性图,然后利用双阈值分割和形态学方法提取出复杂图像中的视觉焦点区域。其次,针对传统边缘检测中单尺度微分算子的不足,提出了融合多尺度Sobel的边缘检测方法。提出的复杂图像处理策略既简化了图像信息编码的复杂度,又提高了边缘提取算法的噪声稳健性。     

多路径生成对抗网络的红外与可见光图像融合

生成对抗网络在红外与可见光图像融合领域受到广泛关注,但单路径进行融合容易丢失浅层信息、分支路特征提取 融合能力有限。提出一种基于多路径生成对抗网络的红外与可见光图像融合方法。在生成器端,利用源图像与导向滤波结 果构建3条输入路径提取更多源图像特征信息,以获得细节更丰富的融合图像;然后,卷积层加入掩码注意力机制模块,提升 显著信息的提取效率,引入密集连接和残差连接,在提升特征传递效率的同时可获取更多源图像重要特征信息。在鉴别器 端,采用双鉴别器估计红外与可见光图像的区域分布,避免单鉴别器网络丢失对比度信息的模态失衡问题。在 TNO 数据集 上进行了实验,实验结果表明,所提算法在5个客观评估指标上4项取得了最好结果,优于多数主流算法,在主观评估方面,所 提算法保留了更多的纹理细节信息,具有更好的视觉效果。     

基于通道量化与红色先验融合的 水下光学图像清晰化

水下图像通常存在对比度低以及颜色失衡等现象,导致图像纹理信息不清晰,针对此类问题,提出基于通道量化与红色先验融合的水下光学图像清晰化方法。首先,设计两种输入图像版本,图像一通过颜色通道直方图量化重新分配像素值,调整对比度;图像二为实现色彩均衡,将红色通道先验代入成像模型,用于估计背景光、直接分量透射率和后向散射透射率。然后,针对各输入图像设计3种权重图,包括亮度图、饱和度图和显著图。最后,利用多尺度融合策略,将局部对比度提升和颜色校正图像与其归一化权重图进行融合。在多个数据库上通过主观和客观指标进行实验评价,结果表明,本文算法在呈现高对比度的同时,能够恢复出更多的色彩和细节信息,有效提升水下图像质量,与各经典及新颖算法相比具有优势。     

基于视觉显著性与量化指数调制的图像鲁棒水印算法

为了兼顾水印系统的透明性与抗几何变换能力,提出了基于视觉显著性与量化指数调制的图像鲁棒水印算法。首先,采用Ripplet变换来处理宿主图像,得到特征映射;再利用Gaussian概率密度模型来计算特征映射对应的视觉显著性映射,并将其实施分解成一系列的子块,以获取其显著性均值;引入非下采样Contourlet变换来分解宿主图像,输出对应的低通子带和带通方向子带;随后,把低通子带分割为尺寸较小的非重叠子块,并计算每个子块的能量;联合显著性均值与能量,计算待嵌入子块对应的量化步长,将其视为密钥;借助奇异值分解来处理低通子带的每个子块,获取对应的对角矩阵,基于这些矩阵中的最大元素的均值,通过改进传统的对数量化指数调制方法,设计水印嵌入方法,根据每个子块对应的量化步长,将水印数据隐藏到载体中,得到水印图像;最后,根据接收密钥,定义水印提取机制,在水印图像中检测水印数据。实验数据表明:较当前的基于分块的水印技术而言,所提算法具备更高的水印透明性,且在常规几何内容操作下,其表现出更强的鲁棒性,所复原的水印失真最小。     

基于空时域信息融合的水面垃圾显著性检测

针对现有目标检测算法在水面垃圾检测中,由于图像存在光照、水纹、倒影等干扰导致的算法鲁棒性不足的问题,提出了一种融合空域先验信息和频域相位谱的水面垃圾显著性检测方法。在空域融合基于背景先验、局部对比度先验和暗部区域先验信息生成的最小障碍距离图、对比度图和背景图,得到初始的水面垃圾显著图;在频域对图像相位谱进行低秩分解再加权融合,得到冗余较少的显著目标。实验证明,该方法准确率可达96.4%,可有效抑制波纹、光照、倒影的干扰。