基于视觉注意机制的图像压缩感知复原

对于低采样、低质航运图像的复原问题,提出了一种新的图像压缩感知复原算法。首先对图像进行预处理,然后由人眼视觉注意机制模型确定注意点位置,并采用自适应遗传算法对注意点像素值进行寻优,最后复原获得复原图像。实验结果表明,所提出的基于视觉注意机制的图像压缩感知复原算法不仅提高了图像的复原质量,同时很好地保存了图像的细节信息。     

基于视觉注意机制的遥感图像显著性目标检测

显著性目标检测是遥感图像处理的重要研究领域,传统的方法通过逐个像素点的计算来实现目标检测,难以满足遥感图像大面积实时处理的要求。将视觉注意机制应用到遥感图像的显著性目标检测中,在训练阶段,将所有的目标融合成目标类,所有的背景融合成背景类,目标类的显著性均值与背景类的显著性均值的比值得到一个权重向量;在检测阶段,所有的特征图乘以权重向量得到自顶向下的显著性图;自顶向下和自底向上的显著性图融合生成全局显著性图。实验结果表明当目标和背景不是总成对出现时,该方法的检测结果优于Navalpakkam模型和Frintrop模型的检测结果。     

基于视觉传达技术的遥感图像压缩感知智能重建方法

为提高重建图像质量,提出基于视觉传达技术的遥感图像压缩感知智能重建方法。首先,基于压缩感知采集遥感图像的稀疏信号,完成遥感图像的初始重建;其次,基于视觉传达技术预处理初始重建图像,实现遥感图像的深度智能重建;最后,进行实验对比分析。实验结果表明,利用该方法重建后的遥感图像质量较高,优于其他方法。     

引入视觉注意机制的目标跟踪方法综述

视觉跟踪在无人飞行器、移动机器人、智能监控等领域有着广泛的应用,但由于目标外观和环境的变化,以及背景干扰等因素的存在,使得复杂场景下的鲁棒实时的目标跟踪成为一项极具挑战性的任务. 视觉注意是人类视觉信息处理过程中的一项重要的心理调节机制,在视觉注意的引导下,人类能够从众多的视觉信息中快速地选择那些最重要、最有用、与当前行为最相关的感兴趣的视觉信息,特别地,人类能够快速指向感兴趣的目标,从而可以轻松地实现对目标的稳定跟踪.因此,将视觉注意机制引入到复杂场景下的目标跟踪中,有利于实现更为稳定和接近于人类认知机制的视觉跟踪算法.本文旨在对引入了视觉注意机制的目标跟踪方法进行综述. 首先,介绍了视觉注意的基本概念及其代表性的计算模型;其次,对视觉注意与跟踪的内在关系进行了阐述;然后,对引入视觉注意机制的目标跟踪方法进行归纳、总结和分类,对代表性的方法进行介绍和分析;最后,对该类方法的特点和优势进行了讨论,并对未来的研究趋势进行了展望.     

应用视觉注意多分辨率分析的图像检索

基于人类视觉感知理论,提出一个改进的Itti视觉注意模型用于图像检索。该改进视觉注意模型是在充分考虑纹理特征与视觉感知关系的基础上,构造一个粗糙度图,用作视觉注意模型的一个初级视觉特征。首先通过该改进视觉注意模型得到50个视觉特征图;然后分别对每个视觉特征图采用局部二值模式傅里叶直方图（LBP-HF）方法抽取其分布信息,从而获得每幅图像的高维特征;最后利用局部保持投影(LPP)方法进行维数约简,以获取具有图像间局部几何和鉴别信息的低维特征用于图像检索。实验结果表明,该算法能获得较好的检索效果。     

基于视觉注意的遥感图像森林植被纹理分割

树冠作为遥感图像森林植被的典型纹理单元,具有突出的结构纹理特征,但现有分割方法较少利用此类结构纹理进行分割。为此,提出一种基于视觉注意机制的遥感图像森林植被纹理分割方法。将遥感图像中树冠的形状和结构作为视觉注意目标,通过纹理滤波增强树冠纹理,使用特定的多尺度树冠显著图圆盘(SID)模型标记树冠,并将各个多尺度树冠SID作为种子,设计改进的区域生长方法分割森林植被区域。实验结果表明,该方法能够准确标记多数典型树冠,有效提高森林植被区域的分割精度。     

基于视觉注意机制的彩色图像分割

提出一种基于视觉注意机制的彩色图像分割方法。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,提取图像的底层特征,构造相应的显著图。根据显著图,检测出图像中的显著区域;将显著区域和背景分离,即得到图像分割结果。在多幅自然图像上进行实验,结果表明,该方法能够取得与人类视觉系统一致的分割结果。     

基于视觉注意机制的异源图像融合

针对融合规则不能真实反映观察者视觉感知特点的问题,提出一种异源图像多尺度融合算法。应用视觉注意机制,计算异源图像间的视觉显著度匹配系数,并根据这一系数对小波变换近似系数进行自适应融合,在小波细节系数融合中使用带有方向连续性检查的选大值方法,采用视觉显著度差对融合算法的视觉保持一致性进行评价。测试结果表明,与传统算法相比,该算法在客观性能指标和主观视觉一致性方面都有所提高。     

率失真最优的多分辨率小波图像压缩方法

提出了一种具有渐进多分辨率特性的小波图像压缩算法。对图像作提升小波分解后，首先利用人眼视觉特性，对小波系数作无视觉失真的量化，然后按各子带对视觉效果不同的贡献，在给定的编码比特约束条件下．将比特资源按照率失真曲线最优地分配给各子带，最后以给定的比特量对各子带分别进行分层量化和算术编码，从而达到最小的失真要求。最优分配方法将小波系数建模为广义高斯分布，给出了最优分配给各子带比特数的理论公式，它不需遍历不同的量化阶段，且在率失真意义上最优。实验结果表明，与经典的算法相比．在PSNR相仿的情况下，低码率时有更好的视觉效果，有更优越的综合性能。     

基于OpenCV的可变分辨率嵌入式监控系统设计

本文根据OV9650摄像头分辨率设置特点,提出了一个基于OpenCV的可变分辨率嵌入式监控系统设计方案。利用OpenCV对采集到的图像实时进行人形检测处理,根据检测结果控制摄像头工作分辨率,实现了高分辨率采集异常情况图片,低分辨率采集正常情况图片的实时智能监控。     

基于视觉注意机制的大范围水体信息遥感智能提取

建立契合遥感数据内在特征的智能信息分析模型与方法,是解决遥感大数据时代信息智能提取的关键所在。从普适性的大范围水体信息遥感智能采集的需求出发,构建一种基于视觉选择性注意机制与AdaBoost算法的水体信息遥感智能提取方法。首先通过对遥感多特征指数的RGB配色方案的优化设计,实现水体信息图像特征的增强和可视化表达。然后在HSV颜色空间中,利用色差距离图像的关键节点信息构造分类特征集,并采用AdaBoost算法构建水体识别分类器,据此从图像色彩聚类结果中自动识别出水体所属类别,实现水体信息的智能提取。对比实验结果表明,该方法的水体信息提取结果在漏分率（LR）和复合分类精度（CCA）上都有明显提高;同时,该方法能有效减少对高质量训练样本的依赖性,对于丰水期泥沙含量较高水体以及洪灾导致的淹没区等临时性水域也具有较好的识别性能。     

A coarse-to-fine image registration method based on visual attention model

Image registration is fundamental and crucial to remote sensing. However getting highly accurate registration performance automatically and fast for large-field images consistently is a challenge. As a work around to this problem, we propose a new image registration concept based on visual attention in this paper. This concept employs the advantages of feature-based or area-based methods to improve the precision and efficiency of image registration. The key concept of proposed integrated scheme is to make optimum use of the highly prominent details in the full scene by means of visual attention computational mechanism. To testify the validation, comparisons with other classical methods are carried out on real-world images. The experimental results show that the proposed method can effectively perform on multi-view/multi-temporal remote sensing images with outstanding precision and time saving performance.     

基于注意力机制的自适应滤波遥感图像分割网络

遥感图像尺度变化较大,背景类内差异较大以及前景和背景之间的不平衡等问题,增加了遥感图像小目标和目标边缘分割的难度。在卷积神经网络中,下采样引起的混叠效应造成目标信息的失真和损失,容易被忽视。同时,扩张卷积虽然捕获到了丰富的感受野信息,但仍存在冗余的背景信息干扰。据此,提出了一种基于注意力机制自适应滤波分割网络(ARGNet)。在DeepGlobe Road Extraction数据集和Inria Aerial Image Labeling数据集上进行实验,结果表明,所提出的网络能够分割出更加精准的目标。     

改进的基于通道注意力反馈网络的遥感图像融合算法

针对前馈卷积神经网络(CNN)感受野较小、获取上下文信息不足、其特征提取卷积层只能提取到浅层特征的问题,提出改进的基于通道注意力反馈网络的遥感图像融合算法.首先,通过两层卷积层分别初步提取全色(PAN)图像的细节特征和低分辨率多光谱(LMS)图像的光谱特征;其次,将提取的特征和网络反馈的深层特征相结合,并将其输入到通道...     

模糊神经网络高分辨率遥感影像监督分类

目的 针对高分辨率带来的像素类属不确定性增大及各类属间相关性增强引起的影像分类问题,提出一种模糊神经网络高分辨遥感影像监督分类方法。方法 提出的模型为包含输入层,隐含层（隶属函数层）及输出层的三层前向模糊神经网络,输入层用于接收来自训练样本的灰度值;隐含层每个神经元节点的模糊隶属函数为对各类别定义的高斯隶属函数模型,以实现对输入变量隶属程度的不确定表达;输出层的输入变量为隐含层各神经元节点输出变量的线性组合,激活函数为分段线性函数,该层实现输入变量隶属程度的相关性表达。以训练数据直方图作为期望输出,梯度下降法求解模型参数,最后按最大隶属度准则实现分类决策。结果 利用本文算法和经典算法对合成影像进行实验,本文方法总体精度达到0.931,相对于高斯隶属函数方法总体精度提高了5.3%,相对于最大似然法提高了4.2%,相对于FCM方法提高了5.9%,对真实WorldView-2全色影像的实验中文中方法分割精度也高于传统方法。结论 提出的模糊神经网络模型可以更加精确的拟合高分辨率遥感影像复杂的分布特征,有效处理高分辨率遥感影像的上述分类问题。     

基于改进遗传算法遥感图像非监督分类研究

传统的非监督分类方法通过人为预先设定的类别数把像素划分到相应的类别中,但类别数事先不能精确得到,因此会增大误分率,降低分类精度。提出一种新的可变聚类数目的染色体、采用Davies-Bouldin系数作为适应度,通过对传统遗传算法的一系列改进自动进化出高分辨率遥感图像的类别数和聚类中心。同时,采用整型数据来进行染色体编码,不仅降低了计算复杂度,同时也节省了存储空间。算法已用VC实现程序设计,程序结果证明该改进算法的正确性并获得令人满意的实验结果。     

基于图像类推的遥感图像超分辨率技术

由于卫星上相机距离拍摄景物较远,所以遥感图像分辨率一般较低。为了获得较高分辨率的图像。提出将图像类推技术(IA)与立方卷积插值法相结合的方法;并在学习样本集合建立过程中引入一种新的思路,直接对高分辨率图像的高频细节信息进行学习。实验结果表明,该方法不仅提高了放大图像的清晰程度,而且较一般的图像类推算法,能产生更为合理的细节以增强图像,使放大后的遥感图像更为逼真。     

结合旋转框和注意力机制的轻量遥感图像检测模型

目的 遥感图像目标检测在国防安全、智能监测等领域扮演着重要的角色。面对遥感图像中排列密集且方向任意分布的目标,传统水平框目标检测不能实现精细定位,大型和超大型的目标检测网络虽然有强大表征学习能力,但是忽略了模型准确率与计算量、参数量之间的性价比,也满足不了实时检测的要求,庞大的参数量和计算量在模型部署上也非常受限,针对以上问题,设计了一种轻量级的旋转框遥感图像目标检测模型（YOLO-RMV4）。方法 对原MobileNetv3网络进行改进,在特征提取网络中加入性能更好的通道注意力机制模块（efficient channel attention,ECA）,并且对网络规模进行适当扩展,同时加入路径聚合网络（path aggregation network,PANet）,对主干网络提取特征进行多尺度融合,为网络提供更丰富可靠的目标特征。网络检测头中则采用多尺度检测技术,来应对不同尺寸的目标物体,检测头中的角度预测加入了环形圆滑标签（circular smooth label,CSL）,将角度回归问题转换为分类问题,从而使预测角度和真实角度之间的距离可以衡量。结果 将提出的检测模型在制备的AV...