基于混合图上随机游走的视觉注意显著目标检测模型

目前的视觉显著性检测算法,主要依赖像素间的对比,缺乏从全局角度对显著目标进行分析理解。根据生物视觉注意机制,显著目标通常是显眼、紧凑和完整的,提出一种基于混合图上随机游走的显著目标检测算法,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,利用颜色特征距离和方向的空间分布和方向熵对比分别确定无向图和有向图的边权重,进而得到混合图;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;最后结合全局特性和局部特性得到输入图像的显著图,从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,所提算法检测结果更加准确、合理,证明该方法合理可行。     

结合多尺度视觉显著性的舰船目标检测

光学遥感图像海面舰船目标检测易受云雾,海岛,海杂波等复杂背景的干扰。本文提出了一种适用于复杂背景的舰船目标检测方法。首先为了克服目标尺度多变问题,利用视觉显著性生成多尺度显著图,然后使用基尼指数自适应选择最优显著图。考虑到全局阈值分割算法带来的漏检测问题,提出一种新的方案来分离目标和背景像素点。利用图像膨胀原理获取显著图的局部极大值点,然后使用k-means算法判断极大值点属于目标像素点还是背景像素点。接着对目标点邻近区域进行精细分割。最后引入基于径向梯度变换的旋转不变特征来进一步剔除虚警。实验结果表明,该算法能够成功检测出不同尺寸和方向的舰船目标,有效克服复杂背景的干扰。算法检测正确率93%,虚警率4%,优于其他舰船检测方法。     

基于显著图的红外图像显著轮廓提取方法研究

红外图像的轮廓提取在军事等领域具有广泛的应用。从视觉注意机制的角度入手,提出了一种基于视觉显著图的红外图像轮廓提取方法,利用红外图像的灰度局部标准差特征计算其显著图,再进行聚类和滤波消除背景信息对目标轮廓的干扰,得到了红外图像中显著目标的轮廓信息。与其他方法相比,提取的显著轮廓更准确,更符合人眼视觉注意的结果。     

基于Stixel world及特征融合的双目立体视觉行人检测

针对单目视觉行人检测无法获得深度信息从而导致冗余信息较多、检测效率和准确度存在局限性的问题,首先,在图像的预处理阶段提出了一种利用双目立体视觉产生的视差信息优化分析来简化复杂场景的动态规划棒状像素场景(stixel-world)表达方式;然后,在行人目标检测阶段,对传统HOG特征中block尺度进行分析、降维,采用Fisher准则筛选得到了适用于道路环境下的多尺度HOG(multi-HOG)特征,将Multi-HOG特征与LUV颜色通道特征进行融合,最后采用交叉核支持向量机(hikSVM)分类器对行人目标分类。实验结果表明,采用改进过后的Stixel-world算法用于图像预处理极大地减少了计算时间。缩小了行人检测的候选区域,基于特征融合和hik-SVM的目标检测算法在保证检测准确度的前提下,具有较好的实时性和鲁棒性。     

结合局部特征及全局特征的显著性检测

针对目前大多数显著性检测方法中采用背景种子以及局部区域对比度显著性检测模型的缺点,本文提出了一种综合考虑局部特征以及全局特征的显著性检测算法。在对图像进行分割之后,算法首先融合了采用多特征方式生成的背景显著图与采用前景区域对比度方式生成的前景显著图,之后使用高斯滤波器对融合后的结果进行优化形成局部特征显著图。其次,在局部特征显著图的基础上提取多种特征的样本集合进行训练,从而得到全局特征显著图。算法最后将第一步生成的局部特征显著图与全局特征显著图进行结合生成最终的显著图。实验部分验证了算法各部分的有效性,并且在3个公开数据集上对文章方法与近年来优秀的显著性检测算法进行了对比,实验结果显示,本文算法在CSSD数据集上的准确率、召回率以及F-measure分别达到了0.837 5、0.743 4和0.813 7,在其它数据集上也有良好表现。实验表明,本文算法能够有效抑制背景区域,并且高亮前景区域,更好地检测出显著目标。     

视觉显著目标的自适应分割

基于视觉注意模型和最大熵分割算法,提出了一种自适应显著目标分割方法来分离目标和复杂背景,以便快速准确地从场景图像中检测出显著目标。首先,通过颜色、强度、方向和局部能量4个特征通道获取图像的显著图;通过引入局部能量通道来更好地描述了显著目标的轮廓。然后,根据显著图中像素灰度的强弱构建不同的目标检测蒙板,将每个蒙板作用于原图像作为预分割的结果,再计算每个预分割图像的熵。最后,利用最大熵准则估计图像目标熵,根据预分割图像的熵和目标熵判断选取最优显著目标分割图像。实验结果表明：本文算法检测的显著目标更为完整,分割性能F-measure达到0.56,查全率和查准率分别为0.69和0.41,相对于传统方法更为有效准确,实现了在复杂背景下对显著目标的有效准确检测。     

基于SLIC超像素的全局对比度显著性区域检测

提出了一种基于SLIC超像素的全局对比度的显著性区域检测算法。首先在图像的预处理阶段,为了降低计算的复杂度,采用SLIC超像素分割算法来提取给定图像的超像素。然后在CIELAB颜色空间上,同时考虑图像的全局对比度特征和LBP纹理特征,并利用MKB方法将这两个特征结合起来计算得到显著图。最后,通过滤波器进一步提高检测效果以便于优化最终的显著性图。在MSRA10K基准数据库上与常用的几种方法进行定性和定量比较。实验结果表明,文中所提算法的性能均高于其他方法。     

基于显著性分析的立体图像视觉舒适度预测

分析了传统的基于全局视差特性的像视觉舒适度评价模型的不足,提出了一种基于显著性分析的立体图像视觉舒适度客观预测模型。首先,根据人眼的立体视觉注意力机制,利用协方差矩阵和Sigma特征集分别计算得到图像显著图和深度显著图,并组合得到立体显著图;然后,利用立体显著图加权得到立体图像视觉舒适度感知特征;最后,通过支持向量回归构造视觉舒适度预测函数,建立视觉舒适度感知特征和主观评价值之间的关系模型,从而预测得到立体图像视觉舒适度客观评价值。实验结果表明,本文评价方法的Pearson线性相关系数值达到0.79,Spearman等级相关系数值达到0.81,表明提出的模型更加符合人眼视觉特性,得到的客观评价值与主观感知具有较高的一致性。     

基于多尺度多特征视觉显著性的海面舰船检测

为了精确地检测到舰船目标,提出了一种基于多特征、多尺度视觉显著性的海面舰船目标检测方法。该方法首先利用多尺度自适应的顶帽算法抑制云层、油污的干扰,然后提取双颜色空间特征以及边缘特征构成双四元数图像进行舰船显著性检测。由于充分利用了双四元数图像,故可对多个特征尺度进行处理,并保证不同尺度特征之间关联性。该方法还利用人眼对不同用大小的图像关注目标不同的特点对图像进行上下采样以避免漏检和检测重叠。在得到显著图后利用自适应图像分割(OTSU)算法确定舰船所在的区域,并在原图上标定、提取舰船目标。在多种海面情况下进行了实验分析,结果表明:该算法可以排除多种干扰,精确地检测到舰船目标,真正率达97.73%,虚警率低至3.37%,相较于他频域显著性检测算法在舰船检测方面有明显的优势。     

半全局立体匹配算法的改进研究

针对半全局立体匹配中单一 Census 精度不足且边缘区域视差效果较差的问题,提出一种基于颜色差信息 BTCensus 和加入分割约束的半全局匹配算法。首先该算法采用联合三通道 BT 算法和 Census 变换的计算方式实现代价计算,缓解重复纹理歧义并提高不连续区域配精度;同时将图像分割得到的场景信息作为约束对代价聚合函数进行改进,保证割块内部的纹理平滑,提高边界纹理区域的匹配精度;最后引入图像分割信息进行分步中值滤波,平滑视差图。实验表明,该算法在重复纹理区域、视差不连续区域和弱纹理区域都取得了较好的视差效果,可获得高匹配率的视差图。     

元胞自动机多尺度优化的显著性细微区域检测

针对由于待检测目标局部区域显著性差异过大造成的细微区域检测失败问题,在贝叶斯理论框架下,提出一种基于元胞自动机多尺度优化的显著性检测方法。首先结合暗通道先验信息和区域对比度在同一张图片的5个超像素尺度空间内分别构建原始显著性图;接着,利用元胞自动机建立动态更新机制,通过影响因子矩阵和置信度矩阵优化每个元胞下一状态的影响力,获得对应5个优化显著性图;最后在基于贝叶斯理论的融合算法框架下得到最终的显著性图。在两个复杂度不同的标准图像数据库上将本文方法与10种主流显著性提取方法进行视觉效果和客观定量数据对比,结果显示,本文算法效果优于现有10种显著性提取方法,其中在公认最具挑战的DUT-OMRON数据库的综合指标F-measure值为0.631 4,平均绝对误差(MAE)为0.132 5,ROC曲线下面积(AUC)为0.892 8,表明本文算法具有较高的准确性和鲁棒性。     

多尺度显著性区域提取的模板匹配

针对模板匹配过程中强遮挡、剧烈背景变化及物体非刚性形变等难题,本文提出了一种基于多尺度显著性区域提取的模板匹配算法。算法采用多尺度-显著性特征并行提取的方式:一方面利用空间金字塔模型将参考图像中的模板和待匹配图像中的目标区域分割成不同尺度的网格,采用可形变多相似性度量方法(Deformable Diversity Similarity,DDIS)计算不同尺度下的匹配得分;同时,算法提取模板区域的显著性区域图,形成模板区域的显著性得分;随后,利用显著性得分对不同尺度的匹配得分进行加权融合,在融合得到的匹配得分图上寻找最佳匹配区域。算法与取得目前最好结果的DDIS方法相比,AUC(Area Under Curve)指标提升2.9%。实验结果表明,显著性区域提取使匹配方法更加关注目标物体,削弱背景及遮挡物体对其影响,从而增强模板匹配方法对于背景变化及遮挡的抵抗能力。另外,空间金字塔模型能够增强模板匹配方法对于物体不同尺度下的特征提取,如物体的局部轮廓及结构特征等。二者结合有效地提高了匹配精度。     

基于振型多分辨复杂度谱的板结构损伤检测

针对目前基于振型的结构损伤检测方法普遍存在抗噪能力弱、对弱小损伤不敏感等不足,开展了克服这些缺陷的板类结构损伤识别研究。鉴于结构振型中噪声、趋势和损伤信息具有不同的尺度分布特性,基于二维高斯小波变换,提出多尺度振型空间概念,使振型的各成分信息得以独立表达,以凸显损伤信息。通过定义点态复杂度指标,借助滑动窗口法,在多尺度振型空间上形成多分辨复杂度谱。多分辨复杂度谱可使损伤进一步显现,能描述损伤的位置、大小及形状,并能反应损伤程度,实现了在噪声条件下对板类结构轻微损伤的准确表征。基于一实际工程闸门的数值模拟和两个模型试验,验证了所提方法的正确性和有效性。     

oRGB颜色空间的夜视图像彩色融合

针对红外与可见光双波段夜视图像增强提出了基于oRGB颜色空间的彩色融合算法。选择亮度与颜色分离的对立色颜色空间,应用多尺度Top-hat变换方法将红外与可见光增强融合图像作为伪彩色图像的亮度分量,根据双波段图像的差异性并结合参考图像色调构造颜色分量;为避免线性变换的颜色传递方法容易造成灰度级压缩或过饱和情况,在分析颜色传递机理的基础上,使用非线性的直方图匹配方法实现颜色传递。实验结果表明,融合图像的颜色分布更自然,纹理细节、整体亮度和对比度等视觉特征表现更优。     

基于非参数变换的尿沉渣细胞图像识别方法

首先提出一种改进的局部秩变换(D-LRT)方法,通过计算图像像素的局部秩进行图像变换,根据阈值选取实现低对比度和局部模糊的尿沉渣细胞图像分割。然后提出一种局部直方图统计(LHS)方法提取细胞图像平移、旋转、光照不变特征。该方法通过高斯模糊获取不同尺度下的细胞高斯模糊图像,并利用RIUP-LBP算子获取细胞高斯模糊图像的RIUP-LBP特征图谱,基于距离变换采取由内而外的方式,分层统计细胞高斯模糊图像及其RIUP-LBP特征图谱的直方图,将所有直方图串联作为细胞图像的LHS局部特征。还同时将LHS特征结合图像的几何特征、Harris角点及灰度共生矩阵特征,从局部和全局角度构造尿沉渣细胞图像的特征向量。最后采用支持向量机(SVM)对7类典型尿沉渣细胞图像进行分类。实验结果表明:本文提出的D-LRT方法在低对比度和局部模糊的细胞图像分割中完整度明显提高,提出的LHS方法可以有效地提取7类尿沉渣细胞图像特征,7类细胞图像识别的平均准确率可达到93.0%,平均召回率可达93.2%。     

结合高斯混合模型的改进暗通道图像去雾方法

针对经典的暗通道先验方法在处理含有大面积天空的有雾图像时,去雾图像的天空区域出现不同程度的颜色失真等问题,提出了一种结合高斯混合模型的改进暗通道图像去雾方法。首先,采用高斯混合模型对有雾图像进行建模,然后用期望最大化(Expectation maximization,EM)算法优化模型参数,从而将有雾图像分割成天空区域和非天空区域。其次,根据天空区域暗通道值的不同将其分为淡雾区、中雾区和浓雾区,分别估计透射率。并结合大气散射模型得到复原图像。最后,采用高动态范围图像自适应局部色调映射方法提升复原图像的亮度。实验结果表明,该方法有效地解决了经典暗通道先验方法去雾时产生的天空失真问题,且复原后的图像更清晰、视觉效果更好。     

应用显著纹理特征的医学图像配准

针对传统的基于几何度量的配准方法无法配准存在局部变形的医学器官的问题,提出了应用显著纹理特征的经典迭代最近点(ICP)医学图像配准算法。该方法借鉴主动外观模型(AAM)思想对医学图像的显著纹理特征建模,将显著性强的特征点赋予较大权重,率先配准。在传统基于空间距离的图像配准基础上加入显著纹理距离。然后,模拟格式塔心理学提出的人类视觉认知过程,使用线性递减的权重平衡两种"距离"度量方式。该算法前期主要根据几何距离取得整体配准效果,后期依赖图像纹理特征使存在局部变形位置的特征点也能精确配准。最后,在腹腔肝脏图像上进行实验。实验结果表明该算法取得了较好的配准效果,准确率达78.82%,比其他几种流行算法提高了22.22%,且对图像的旋转变化不敏感。提出的算法基本解决了存在局部变形医学器官图像的配准问题,达到了精度高、鲁棒性强的配准效果。