韦伯-中心环绕结构的图像显著性检测模型

受韦伯定理和协作式中心环绕接收域生物模型的启发,提出一种适用于图像显著性检测的中心环绕假设,设计了一种具有圆形拓扑的中心环绕结构,并给出基于该模型的融合局部和全局特性的显著性检测算法。该算法提取各像素的中心环绕结构,以基于韦伯特性的梯度方向表征局部显著性,中心区域相对于总体均值的相对亮度差表征全局显著性,然后采用线性合并方法得到最终的显著图。检测结果及正确率-召回率评估曲线表明该算法具有良好的检测特性,并且在激活区域具有强响应,同时还能很好地抑制其他区域。     

应用改进频率调谐的海上小目标检测方法

提出了一种新的基于可见光图像的海上小目标检测方法。由于频率调谐方法将图像空间域整体均值与高斯滤波后差分结果,作为显著性度量的标准,因此当图像背景中存在较多杂波干扰时,显著目标检测效果不理想。提出的方法对基于频率调谐的显著性检测方法进行了改进,首先对图像LAB空间中3个特征分量进行分块,在每个分块区域中应用频率调谐显著性检测方法,进而将其结果合并为总显著图,以检测海上小目标。该方法克服了频率调谐方法,当海面背景中存在大量海杂波,无法有效提取小目标的缺陷。实验结果表明了该方法的有效性。     

基于小波变换和Retinex算法的显著性检测

近些年来,关于图像显著性检测的研究越来越热门。基于之前提出的很多算法产生的显著图都存在背景信息杂乱、干扰噪声多、细节丢失等问题,本文提出了一种基于小波变换和Retinex算法的显著性检测算法来解决以上问题。首先,利用Retinex算法对图像进行前期处理;然后,对前期处理过的图像进行SLIC超像素分割,对超像素进行小波变换,分别生成原始图像低频部分和高频部分的特征图,并进行适当的双边滤波降噪,生成对应的显著图;最后,通过加权组合这两种显著图,得到最终的显著性图。实验结果表明,本文提出的算法生成的显著图具有受背景影响小、噪声少以及细节突出等优势。     

基于显著语义模型的机场与油库目标的识别方法

采用与传统的利用特征匹配方法进行地物目标识别不同的思路,提出一种基于显著语义模型的机场与油库目标的识别方法.该方法在低层特征空间利用视觉关注模型将航拍图像分解成若干个视觉显著性子图,提取出目标可能存在的候选区域;对训练图像集构建基于SIFT局部特征的特征袋语义模型,并利用模型中的特征字典提取出显著性子图所包含的显著语义特征,以实现对机场和油库目标的快速检测识别.利用Google Earth构建了多种不同成像条件下的典型目标数据库,对文中方法的有效性进行验证.实验的结果表明,该方法比传统的特征匹配方法具有更好的识别性能和更高的运算效率,同时对于光照、视点和尺度变化等干扰具有较强的鲁棒性.     

显著性检测指导的高光区域修复

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地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,并且有效地克服了传统高光去除算法受光照模型限制的缺点。     

图像显著性分割的非凸Trace Lasso方法研究

根据无监督的自下向上的思想,提出一种新的图像显著性分割方法.提取图像的颜色特征、局部能量特征和局部对比特征,并根据这些特征建立一个基于多特征的非凸Trace Lasso模型,通过求解此模型得到图像的显著性区域.不同于一般的稀疏表示方法,该方法使用矩阵奇异值的非凸函数作为约束,对图像进行超像素分割,以每个超像素块为单位进行目标函数的建立.既考虑了超像素块的局部特征,又利用了全局特征,有效联合了图像的多个特征.实验结果表明,该方法能够准确地分割出图像的显著性区域.     

基于显著性的遥感图像舰船目标检测

舰船作为海洋信息感知中的重要目标,其检测在军舰探测、精确制导等军用领域以及海面搜救、渔船监测等民用领域具有极其重要的战略意义.海洋遥感图像受云雾、风浪、海杂波和光照等干扰使得舰船检测具有挑战性.根据可见光遥感图像舰船目标检测特点提出粗检测和细鉴别相结合的技术路线.先基于视觉显著性的谱残差法对图像进行增强以提取目标候选区域,后根据舰船与干扰因素差异采用舰船方向梯度直方图特征对目标候选区域进行鉴别,提取真正的舰船目标.实验结果表明,上述算法舰船检测率高,对光照、海杂波干扰具有一定程度的鲁棒性,且能有效剔除碎云岛屿等干扰物,显著降低虚警率.     

基于显著性多尺度特征协作融合的行人重识别方法

由于背景信息复杂、遮挡等因素的影响,现有基于局部特征的行人重识别方法所提取的特征不具有辨别力和鲁棒性,从而导致重识别精度较低,针对该问题,提出一种基于显著性检测与多尺度特征协作融合的SMC-ReID方法。利用显著性检测提取行人中具有判别力的特征区域,融合显著性特征与全局特征并完成不同尺度的切块,将上述不同尺度的特征进行协作融合以保证特征切块后的连续性,根据全局特征和局部特征的差异性联合3种损失函数进行学习。在推理阶段,将各个尺度的特征降低到同一维度并融合成新的特征向量,以实现相似性度量。在行人重识别公开数据集Market1501、DukeMTMC-reID和CUHK03上进行实验,结果表明,SMC-ReID方法所提取的特征具有较强的可区分性和鲁棒性,识别准确率优于SVDNet和PSE+ECN等方法。