显著性检测指导的高光区域修复算法

目的：为解决传统的基于光照模型的高光修复算法无法很好的对高光区域存在饱和现象的单幅图像进行处理这一问题,提出一种显著性检测指导的高光区域修复算法。方法：算法首先在亮度空间应用显著性模型,实现高光区域的自动检测和标记,之后运用改进的Exemplar-Based算法,综合利用图像的邻域和边缘信息,对标记的高光区域进行自适应修复,去除图像中的高光。结果：分别对仿真及自然场景下的高光图像进行测试,实验结果表明,与原修复算法和传统高光去除算法相比,所提算法的修复效果更符合人眼视觉、修复后的图像质量更好。结论：本文算法与Exemplar-Based算法及Tan方法相比,对高光区域存在饱和现象的单幅图像有较好的修复效果,并且有效的克服了传统高光去除算法受光照模型限制的缺点。     

基于显著性检测的全变差去高光研究

选矿浮选过程中浮选槽中的泡沫图像,受到工业摄像角度和光照点位置影响,导致泡沫图像颜色特征以及纹理特征的提取达不到预期效果。为解决上述问题,提出一种基于显著性检测的自适应全变差去高光算法。将处于RGB颜色空间的图像转换到处于YUV颜色空间中,根据显著值的大小,判定某个像素点是否为高光像素点,并修复图像高光区域。构建改进的全变差修复模型,并对图像修复模型完成求解。实验结果可知,所提算法对图像高光区域的识别以及细微处的处理具有一定的提高,且均方误差值与峰值信噪比在一定程度上得到了改善,可以有效的提取泡沫图像存在的亮点区域且修复。     

边界先验和自适应区域合并的显著性检测

为了对图像中的显著目标进行更精确的识别,提出了一种基于边界先验和自适应区域合并的显著性检测算法。采用超像素分割算法对图像进行过分割,把超像素看做图的一个顶点来进行构图;定位和消除错误边界,使背景基准集中存在很少的噪声,减小目标接触图像边界时造成的误检;采用单通道索引颜色直方图度量区域相似度并进行区域合并得到显著图。对比实验表明该算法相比其他算法取得了较高的查准率,说明了算法的有效性。     

基于图像单元对比度与统计特性的显著性检测

根据视觉注意机制, 提出一种基于图像单元对比度与空间统计特性的可靠显著性区域检测方法. 通过自适应的图像分割构造图像单元结构, 以图像单元为基础, 分别利用颜色对比度和空间统计特性两种模型进行显著性区域检测, 最后, 将两种模型的检测结果通过高斯模型进行结合, 得到最终的显著性区域检测的结果. 实验表明, 该检测方法与现有的方法比较, 具有更好的精度和召回率, 能明显抑制复杂纹理和噪声, 去除复杂背景的影响.     

基于对称性区域过滤的显著性区域检测方法

为获得精确、完整的目标区域分割图,提出一种基于对称性区域过滤的检测方法来进行图像分割。利用改进的简单线性迭代聚类算法将图像分割成若干超像素,并以超像素为节点建立吸收马尔科夫链。计算转移节点到吸收节点的被吸收时间,将其作为显著值来获取显著图。根据图像目标区域的对称性特征,对显著图进行对称性检测,获取对称轴,通过两侧像素点到对称轴的距离对图像显著值进行区域过滤,从而获得目标图像分割区域。实验结果表明,该方法提取的图像显著目标区域较阈值分割法、最小生成树法和LRR法提取结果更为完整。     

视频序列中视觉显著性图像区域自动提取仿真

针对传统显著性图像区域提取方法存在目标提取不准确、结果不稳定等问题,提出一种融合局部与全局特征的视频序列中图像显著性区域提取方法.首先对视频序列图像进行互不重叠的分块,当所有图像块都经过分块并投影到高维空间后,依据单独特征对应显著性区域的规律得到基于全局特征的显著性区域.根据邻域内中心块与其它图像块的灰度差异性,获得基...     

改进图割的显著性区域检测算法

为快速准确地提取图像中的显著性区域,提出一种改进图割的显著性区域检测算法。采用改进的图割算法对图像进行预分割,将图像分成若干子区域,在此基础上利用区域间对比度计算各区域的显著性值,得到图像的显著图,利用迭代阈值分割算法对图像显著图进行分割处理,通过图像去噪完整有效地提取出显著性区域。实验结果表明,该算法能够准确地提取出图像中的显著性区域,与传统方法相比,使用该算法提取出的显著性区域更完整、准确,提高了效率。     

基于信息量增强的共生直方图显著性检测算法

针对目前基于共生直方图显著性方法检测得到的显著性区域容易受到背景区域高对比度边界的干扰,提出了一种通过信息量增强的改进后的共生直方图检测方法。该方法利用显著性区域和背景边界区域在局部共生直方图分布复杂度差异较大的特点,并使用信息量值来量化这种差异。在进行显著度计算时将对局部共生直方图复杂度估计的信息量值叠加到原始算法的各个通道中,从而达到增强显著性区域的同时抑制背景边缘显著性的目的。对AIM数据集进行数值实验,该方法对原方法在准确性和鲁棒性上都具有较为明显的改善,通过ROC曲线进行分析,所提出方法将原方法的AUC值从0.720 8提高到0.731 1。     

基于图像显著性的路面裂缝检测

有效的视觉显著性方法能准确快速地帮助人们在大量视觉信息中找到感兴趣的物体.针对实际路面图像噪声成分复杂、覆盖面广的特点,提出一种基于图像显著性的路面裂缝检测算法.该算法对路面裂缝图像分块灰度校正后,根据灰度稀疏性、全局对比度计算粗尺度下的裂缝显著值,然后由裂缝局部亮度、边缘特性、连续性特点进行不断扩张的细尺度的局部邻域显著性增强,再经空间显著性加强后,采用自适应阈值分割提取裂缝.大量的实验结果表明,该算法比传统算法更能正确、有效地检测出裂缝整体区域,抗噪声能力强,漏检率和误检率很低,具有和人类视觉特性相符合的检测结果.     

一种随机的视觉显著性检测算法

图像处理与模式识别技术一样,依赖于高质量的视觉显著性图(saliency map)才能得到较好的处理结果.现有的视觉显著性检测技术通常只能检测得到粗糙的视觉显著性图;这些粗糙的视觉显著性图应用于图像处理中将严重影响图像处理的最终结果.本文提出了一种随机的基于内容的视觉显著性区域检测算法;该算法整合多层次粗糙的视觉显著性图到结果显著性图中,并逐步自适应地精化可信度不高的显著性值,最终得到一个考虑了多尺度特征的精细的视觉显著性结果.因为随机算法具有执行效率高,占用内存少等特点;本文的高效随机视觉显著性检测算法不需要建立额外的辅助数据结构来加速算法,只需占用少量内存就能快速检测出精细的高质量视觉显著性结果.并且高效随机的视觉显著性检测算法可以直接移植到GPU上并行执行;大量的实验结果表明本文的算法可以得到更加精细的显著性结果,这些精细的显著性结果应用于基于内容的图像缩放中得到了较好的处理结果.     

Efficient random saliency map detection

Most image retargeting algorithms rely heavily on valid saliency map detection to proceed. However, the inefficiency of high quality saliency map detection severely restricts the application of these image retargeting methods. In this paper, we propose a random algorithm for efficient context-aware saliency map detection. Our method is a multiple level saliency map detection algorithm that integrates multiple level coarse saliency maps into the resulting saliency map and selectively updates unreliable regio...     

基于图像显著性检测的图像分割

图像分割在许多图像处理和机器视觉问题中是一个非常重要的过程,是将一幅图分割成几个显著的区域,然而不能将其中最显著的目标直接分割出来,需要进一步处理。为此本文采用显著性检测的算法实现了对目标的分割。显著性区域检测可以应用于目标检测、图像检索、图像分割等机器视觉问题。使用杨等人提出的基于图论的流形排序算法检测显著性算法得到显著性图,再结合mean-shift分割算法,实现了对视觉显著性目标分割提取,可获得可观的图像分割结果,并将此算法应用到了森林火灾检测中,能对图像中的火焰部分进行有效的分割提取。     

结构先验指导的文本图像修复模型

目的 图像修复是根据图像中已知内容来自动恢复丢失内容的过程。目前基于深度学习的图像修复模型在自然图像和人脸图像修复上取得了一定效果,但是鲜有对文本图像修复的研究,其中保证结构连贯和纹理一致的方法也没有关注文字本身的修复。针对这一问题,提出了一种结构先验指导的文本图像修复模型。方法 首先以Transformer为基础,构建一个结构先验重建网络,捕捉全局依赖关系重建文本骨架和边缘结构先验图像,然后提出一种新的静态到动态残差模块（static-to-dynamic residual block,StDRB）,将静态特征转换到动态文本图像序列特征,并将其融合到编码器—解码器结构的修复网络中,在结构先验指导和梯度先验损失等联合损失的监督下,使修复后的文本笔划连贯,内容真实自然,达到有利于下游文本检测和识别任务的目的。结果 实验在藏文和英文两种语言的合成数据集上,与4种图像修复模型进行了比较。结果表明,本文模型在主观视觉感受上达到了较好的效果,在藏文和英文数据集上的峰值信噪比和结构相似度分别达到了42.31 dB,98.10%和39.23 dB,98.55%,使用Tesseract OCR （optical character recognition）识别修复后藏文图像中的文字的准确率达到了62.83%,使用Tesseract OCR、CRNN （convolutional recurrent neural network）以及ASTER （attentional scene text recognizer）识别修复后英文图像中的文字的准确率分别达到了85.13%,86.04%和76.71%,均优于对比模型。结论 本文提出的文本图像修复模型借鉴了图像修复方法的思想,利用文本图像中文字本身的特性,取得了更加准确的文本图像修复结果。     

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。     

基于显著性检测的图像隐写分析方法

针对图像隐写分析难度大、现有的检测模型难以对图像隐写区域进行针对性检测的问题,提出了一种基于显著性检测的图像隐写分析方法.该方法利用显著性检测技术引导隐写分析模型更加关注图像隐写区域的特征.首先,显著性检测模块生成图像的显著性区域;其次,区域筛选模块筛选出与隐写区域重合度较高的显著性图,利用图像融合技术与原始图像进行融...     

基于视觉显著图的异性纤维彩色图像分割方法

为实现对棉花异性纤维自动视觉检测系统采集的彩色图像的精确分割,提出了基于视觉显著图的异性纤维彩色图像分割方法.通过计算颜色显著图,实现彩色异性纤维目标的识别;通过计算亮度显著图,实现灰色异性纤维目标的识别;将彩色和灰色目标进行融合,得到全部异性纤维目标.实验结果表明,该方法可以准确分割出异性纤维彩色图像中含有的各种异性纤维目标.通过比较发现,该方法在分割精度上明显优于其它方法,可以实现对异性纤维彩色图像的精确分割.