基于多图流形排序的图像显著性检测

针对现有图像显著性检测算法中显著目标检测不完整和显著目标内部不均匀的问题,本文提出了一种基于多图流形排序的图像显著性检测算法.该算法以超像素为节点构造KNN图(K nearest neighbor graph)模型和K正则图(K regular graph)模型,分别在两种图模型上利用流形排序算法计算超像素节点的显著性值,并将每个图模型中超像素节点的显著值加权融合得到最终的显著图.在公开的MSRA-10K、SED2和ECSSD三个数据集上,将本文提出的算法与当前流行的14种算法进行对比,实验结果显示本文算法能够完整地检测出显著目标,并且显著目标内部均匀光滑.

多分支主干监督网络下的RGB-D图像显著性检测

针对现有的RGB-D图像显著性检测技术难以充分挖掘深度图像的有效信息,无法使RGB特征和深度特征有效融合的问题,提出了一种多分支主干监督网络下的RGB-D图像显著性检测方法。基于Resnet50网络获得两种图像的各层特征,利用深度改进模块从通道和空间注意力的角度提取到有用的深度特征信息。利用特征分组监督融合模块,依据卷积神经网络的理论,对RGB和深度特征从高层到底层分组进行多尺度多模态特征融合,每组融合加入上层融合结果和真值图进行监督,最终迭代得到预测显著图。通过4个具有代表性数据集上进行的实验,对比目前先进的RGB-D图像显著性检测,表明此模型平均绝对误差指标最小,在F值、E值和S值指标上均有提高,性能优于其他模型,具有良好的鲁棒性。

一种基于量子机制的图像显著性检测方案（英文）

提出了一种与传统方法相比效率更高的量子图像显著性检测方案。为了在量子计算机中表示和存储RGB图像,并计算不同像素间的反差,此方案采用3量子位描述颜色信息,把2^(2n)×2图像矩阵编码为量子叠加态;结合Hadamard门和受控旋转算子,计算基态概率幅可反映像素在RGB三通道上的全局颜色反差;通过有限次数的投影测量可得到像素的归一化颜色反差及位置信息,并构建显著图。给出了相关量子电路的实现和复杂度分析。与多种传统显著性检测算法进行了对比实验,结果表明提出的方案具有良好的检测效果和更高的检测效率。

基于全局和局部信息融合的图像显著性检测

视觉注意机制是机器视觉的重要组成部分,受到越来越多的关注.文中提出一种基于全局和局部信息融合的图像显著性检测方法.模型首先对输入图像进行离散剪切波分解,得到尺度系数和剪切波系数.由于剪切波系数包含大部分图像细节信息,模型在每个分解层上对剪切波系数重构得到描述特征图.在特征图的基础上,一方面从全局的角度出发,使用所有特征图获取特征向量计算全局概率密度分布矩阵,进而构建全局显著图,另一方面从局部的角度出发,在每幅特征图上计算局部区域的熵值,进而构建局部显著图.最后对两幅显著图进行融合,得到综合显著图.实验结果验证该算法的有效性和可行性.

背景与前景融合的RGB-D图像显著性检测

RGB-D图像显著性检测是指在传统的2D图像中附加深度信息从而提取显著对象,但是现有的显著性检测模型,大多数只关注显著物体本身,却忽略了背景信息。因此,提出了一个新颖的显著性检测模型,将深度信息同时考虑到背景和前景中提取出显著区域。首先,通过图像边界信息的背景测量机制来去除前景噪声并从边界超像素中选择背景种子,从而计算出基于背景的显著图;其次,将输入的图像构造成图,并将深度信息引入到图形结构中,利用颜色、深度、位置等线索获取前景种子,从而计算出基于前景的显著图;最后,将背景图和前景图融合获得初始显著图,再加以元胞优化,迭代传播后得到最终的显著图。在三个RGB-D图像显著性检测数据集LFSD、NJU-400、NJU-2000上进行对比实验,实验结果表明,该方法具备有效性,同时也提高了检测准确率。

融合边界连通性与局部对比性的图像显著性检测

本文提出了一种融合边界连通性与局部对比性的图像显著性检测算法.首先,构造包围前景区域的凸包并利用K-means聚类算法,增强凸包内前景区域,抑制背景区域.为获取更加准确的前景概率,建立超像素图模型并结合随机游走模型计算超像素显著值,再利用聚类内显著值传播计算超像素前景概率.然后,利用边界连通性计算超像素背景概率.最后,融合前景概率与背景概率计算超像素最后的显著值.而且,为克服单一显著性检测算法的局限性,在DS证据理论的基础上,设计了一种新的融合算法.实验结果表明:在DUT-OMRON、ECSSD、MSRA10K三个公开数据集上,提出的算法得到的显著图更接近于真值图,且在准确率-召回率曲线、F-measure值以及平均绝对误差值三个评估指标上均优于其他12种经典显著性检测算法获取的结果.

一种基于对比度增强的图像显著性检测方法

在视觉注意机制下,图像显著性表现为人眼对图像中部分区域的重视程度,但采用频率调谐(frequency tuning,FT)算法进行图像显著性检测时,出现显著区域亮度不均匀、细节信息不明显等问题。针对上述问题,提出一种基于对比度增强的图像显著性检测方法。该方法将输入图像进行全分辨率对比度增强处理,通过高斯带通滤波器筛选出显著性区域,然后将Lab颜色空间分解成3个特征通道并做归一化处理,利用各通道的能量占比进行动态权值融合得到最终显著图。结果表明,该方法提高了目标轮廓及内部细节信息的清晰度,明显地突出显著区域,更易于目标的检测与识别。

自底向上的图像显著性检测综述

随着数字图像数据急剧增长,图像分类识别领域得到了广泛关注,是当前计算机视觉领域的研究热点。本文针对图像分类识别领域,重点对近几年国际上有影响的自底向上的图像显著性检测算法进行了分类介绍,并且利用目前最为流行的两个显著性检测数据库MSRA1K和ECSSD对这些算法分别进行了实验,最终对比得出目前算法的优势与不足。

基于全局和局部信息融合的图像显著性检测研究

基于多方向和多尺度的离散剪切波变换,文中建立了一个利用自下而上视觉注意机制进行全局和局部信息融合的图像显著性检测模型。该模型在各分解层重构剪切波系数中获得各层图像描述特征图,再依次对各特征图的全局和局部对比度信息进行采集构建全局与局部显著图,最后将两者融合进而得到最终的综合显著图。在多个彩色图像数据集上对该模型和文献模型进行了对比实验,实验结果证明本模型更具有有效性和准确性。

萤火虫算法优化的卷积网络在图像显著性检测中的应用

针对标准萤火虫算法初始种群不均匀、收敛速度慢、易陷入局部最优等问题,采用混沌优化策略进行种群初始化优化,避免算法陷入局部最优,提高计算精度。针对标准神经网络预测响应时存在的收敛慢、泛化能力差、网络预测精度不高等缺陷,通过萤火虫算法优化神经网络初始权值和阈值以提高网络预测性能和精度,构建相应预测模型。将优化后的模型应用在图像显著性检验上,并与多个经典的图像显著性检测算法做对比,测试结果表明,改进后萤火虫算法优化的卷积神经网络模型可使图像显著性检验性能得到明显改善。

基于深度学习的图像显著性目标检测研究综述

随着近年来深度学习技术的发展,图像显著性目标检测的研究重点偏向于利用深度学习方法解决问题。为了全面且深入地探究图像显著性目标检测领域,基于深度学习框架,回顾近五年出现的20余种深度学习方法,归纳出四类深度学习策略,并且对比了它们在4个显著性数据集上的评价结果。结果显示,各类策略在不同数据集上的F度量值为0.800—0.950,综合利用多种策略的方法可以取得更优的预测指标,但仍然存在复杂场景干扰下检测有误的问题。针对现有问题,提出加强深度学习方法在复杂数据集上的训练,进而优化显著目标预测结果的定位准确性及边缘完整性。

基于深度学习的显著性目标检测综述

显著性目标检测通过模仿人的视觉感知系统,寻找最吸引视觉注意的目标,已被广泛应用于图像理解、语义分割、目标跟踪等计算机视觉任务中。随着深度学习技术的快速发展,显著性目标检测研究取得了巨大突破。本文总结了近5年相关工作,全面回顾了3类不同模态的显著性目标检测任务,包括基于RGB图像、基于RGB-D/T(Depth/Thermal)图像以及基于光场图像的显著性目标检测。首先分析了3类研究分支的任务特点,并概述了研究难点;然后就各分支的研究技术路线和优缺点进行阐述和分析,并简单介绍了3类研究分支常用的数据集和主流的评价指标。最后,对基于深度学习的显著性目标检测领域未来研究方向进行了探讨。

舰船图像显著性区域检测技术研究与仿真

图像显著性区域检测技术是图像分析领域的重要研究内容,在舰船目标识别和红外成像处理过程中具有重要意义。论文介绍了显著性检测技术中常用的五种算法:Itti算法、剩余频谱算法、FT算法、MZ算法和AC算法,并以实际舰船图片为例,针对每种算法进行了仿真实验,对各种算法的检测效果进行了比较分析。仿真结果显示,综合考虑处理后图像的清晰度、抗噪性、分辨率和运算时间等性能因素,FT算法对海上舰船图像的处理具有最好的效果。

基于图像显著性的人工视觉图像处理策略

目的:在假体设备中的视觉信息处理模块引入适当的图像处理策略,优化低分辨率下的人工视觉信息,是解决假体植入者获取的视觉信息有限问题的一种可行方法。方法:基于全局亮度对比度特征的图像显著性检测算法(LC),结合颜色空间变换和视觉注意力仿真处理模型,提出一种面向视网膜假体人工视觉信息处理策略。通过两个标准图像测试数据集对图像处理结果进行评估,同时对流行病学调查结果选取的盲人常用物体图片进行仿真。结果:评估结果验证了在提取图像前景方面与原始LC算法对比的优越性,仿真结果验证了在人工视觉条件下应用的可行性。结论:本文提出的策略有助于视网膜假体植入者在日常生活场景中更好地完成物体识别等基本视觉任务。

视觉显著性检测综述

视觉显著性(Visual Saliency)是指人类在观察某一区域时视野中存在能够引起人类视觉关注的局部区域,该局部区域被称为显著性区域。与此对应,视觉显著性检测(Visual Saliency Detection)则主要用于凸显图像或者视频中的显著性区域。近年来,基于计算机技术的视觉显著性检测模型被广泛应用于图像分割、目标检测和视频编码等领域。因此,进行视觉显著性检测研究具有相当的实际应用价值。该文针对视觉显著性检测研究进行了系统地介绍,主要包括RGB图像显著性检测、RGBD图像显著性检测、视频显著性检测和协同显著性检测等,同时总结分析了各种视觉显著性检测模型的特点,并进一步探讨了视觉显著性检测研究未来的发展方向。

一种图像全局显著区域快速检测算法

图像显著性区域检测是计算机视觉的重要一环,并广泛应用于图像分割、目标识别和自适应压缩等领域。在实际应用中,由于全局显著性检测算法涉及大量计算,在一定程度上制约其应用。提出一种基于GPU的快速计算方法,它首先将图像数据加载到GPU,然后利用GPU内核同时对多个区域进行检测,快速计算各个区域的显著性值。实验结果表明,所提出的算法可有效节省计算时间,尤其在图像尺寸较大的情况下,计算性能良好。

基于网格与超像素的图像重定向方法

图像是人与人之间进行交流的重要媒介,在信息高速发展的今天,利用图像重定向技术使图像能满足各式各样的设备尺寸具有重要意义。基于网格的图像重定向算法首先对输入图像生成对应的规则矩形网格,然后根据该网格内的图像内容来评估图像像素权重以此决定此网格的变形程度,对图像全局进行不断迭代直到图像重定向终止条件。此类算法仍存在对图像内容评估不全面的问题,进而导致输出图像结构扭曲、难以保持结果图像的对角线特征以及整体结构等问题。针对以上问题,提出了一种基于超像素、梯度以及显著性的图像重定向方法。首先利用超像素方法对输入图像做预处理,然后用超像素块作为后续处理单位,随后利用基于梯度和显著性的图像像素权重评估方法对超像素处理输出图像进行权重度量,输出一幅图像重定向权重热力图,最后根据此重定向权重热力图对网格进行迭代优化,实现对图像的重定向处理。实验结果表明,相比对比方法所提方法在6种无参考图像质量评估指标上都有一定优越性,在语义合理性、信息准确性和视觉自然性上都具有一定优势,在图像重定向领域有较大的应用价值。

基于优化融合的卷积网络显著目标检测

显著目标检测是利用计算机检测并分割出一幅图像中最引人注意的目标。因此,重点研究基于深度学习的显著性目标检测算法,在VGG网络基础上添加反卷积层构造全卷积网络实现端到端的语义分割,并利用GMM模型对颜色建模提取显著性目标空间信息,最后通过一个优化模型融合空间信息和语义信息得到最终的显著性目标图。实验结果对比显示,所提算法对显著性目标检测具有较高的准确性,证明了所提方法的有效性和鲁棒性。

基于三维时空直方图特征的人体行为识别

提出一种基于三维时空直方图特征的人体行为识别方法。通过引入时间维度构建三维时空概念,探索时空中梯度方向信息,由梯度方向经过空间中不同的区域形成梯度直方图,获取时空特征矩阵,结合K均值聚类提取时空直方图特征来描述人体行为;采用图像显著性检测算法,获取人体行为轮廓,从轮廓图中提取二维轮廓特征;将获得的特征输入支持向量机进行训练以及人体行为识别。实验结果表明,相比其它特征描述的方法,该方案对人体行为的特征描述更丰富,识别准确率更高。