基于多层显著性模型的SAR图像舰船目标检测

针对合成孔径雷达图像舰船目标检测问题,提出了一种结合选择机制与轮廓信息的多层显著性目标检测方法。首先,利用非下采样剪切波和频谱残差法进行全局显著性区域提取。其次,提出了一种基于动态恒虚警率的活动轮廓显著性模型,逐步滤除候选区域的虚警,提取目标轮廓,从而实现目标的精确检测。所提方法能够由粗到细地快速捕获目标区域,从而实现高效、高分辨率合成孔径雷达图像舰船检测。最后,在真实SAR数据集进行了测试,与其他经典的舰船检测方法相比,所提算法不仅有效地抑制了海杂波的影响,而且在检测精度上有较大提高。

跨模态交互融合与全局感知的RGB-D显著性目标检测

近年来,RGB-D显著性检测方法凭借深度图中丰富的几何结构和空间位置信息,取得了比RGB显著性检测模型更好的性能,受到学术界的高度关注.然而,现有的RGB-D检测模型仍面临着持续提升检测性能的需求.最近兴起的Transformer擅长建模全局信息,而卷积神经网络(CNN)擅长提取局部细节.因此,如何有效结合CNN和Transformer两者的优势,挖掘全局和局部信息,将有助于提升显著性目标检测的精度.为此,提出一种基于跨模态交互融合与全局感知的RGB-D显著性目标检测方法,通过将Transformer网络嵌入U-Net中,从而将全局注意力机制与局部卷积结合在一起,能够更好地对特征进行提取.首先借助U-Net编码-解码结构,高效地提取多层次互补特征并逐级解码生成显著特征图.然后,使用Transformer模块学习高级特征间的全局依赖关系增强特征表示,并针对输入采用渐进上采样融合策略以减少噪声信息的引入.其次,为了减轻低质量深度图带来的负面影响,设计一个跨模态交互融合模块以实现跨模态特征融合.最后,5个基准数据集上的实验结果表明,所提算法与其他最新的算法相比具有显著优势.

基于轻量化模型的钢铁表面缺陷显著性检测研究

钢铁被广泛地应用于工业生产,其质量的优劣影响着钢铁制品的可靠性。现有检测技术基于深度学习等方法来检测钢铁表面缺陷区域,但仍存在检测速度慢、模型参数量大和应对复杂场景处理能力弱的问题。针对问题设计了一种基于轻量化模型的钢铁表面缺陷显著性检测方法,能够实现快速准确地检测钢铁表面缺陷区域。该方法以深度可分离卷积为基础设计模型,从而减小模型整体参数量并提升检测速度;在模型中引入多尺度特征,强化轻量化模型对于图像特征的提取能力,提升对复杂环境下的适应性。该方法在公开数据集SD-saliency-900上进行了广泛的实验,实验结果证明提出模型在检测精度不受影响的前提下,大幅减小模型参数量并显著提升模型推理速度。相较于其他基准方法,所提出模型具有更好的复杂环境应对能力以及实际应用性。

改进凸包的贝叶斯模型显著性检测算法

针对目前显著性检测算法的准确性仍不是很理想的问题,提出改进已有的贝叶斯模型的显著性检测算法.首先利用图像压缩得到压缩图,结合经典的Harris算子来对原图和压缩图进行角点检测,利用角点得到两种图的最小凸包,将两者求交集来得到更合理的改进凸包;然后利用空间稀疏聚类算法结合改进凸包和超像素来得到先验图;再利用颜色直方图结合凸包来计算观察似然概率;最后根据已有的先验图和似然概率结合贝叶斯模型来得到显著性图,通过优化处理得到最终的显著性检测结果.在公开数据集MSRA和SED上进行仿真实验的结果表明,该算法不仅能够提高显著度图的视觉效果,而且查全率和查准率,F-measure,MAE等评价指标也比传统算法有明显提升.

一种基于词袋模型的新的显著性目标检测方法

提出一种基于词袋模型的新的显著性目标检测方法.该方法首先利用目标性计算先验概率显著图,然后在图像的超像素区域内建立词袋模型,并基于此特征计算条件概率显著图,最后根据贝叶斯推断将先验概率和条件概率显著图进行合成.在ASD、SED以及SOD显著性目标公开数据库上与目前16种主流方法进行对比,实验结果表明本文方法具有更高的精度和更好的查全率,能够一致高亮地凸显图像中的显著性目标.

基于谱残差视觉显著性的带钢表面缺陷检测

针对带钢表面缺陷检测实时性要求高,采集的图像易受光照环境影响且缺陷特征弱等因素影响,提出一种基于谱残差视觉注意模型的带钢表面缺陷在线检测算法。首先,提出改进同态滤波方法对图像预处理,去除光照不均匀的影响,改善后续的分割结果。然后,构建谱残差视觉注意模型,通过对数频谱曲线差分得到缺陷显著图像。最后,提出加权马氏距离方法对显著图像阈值化增强,并利用连通区域标记法,标记出原带钢图像的缺陷位置。对提出的算法进行了实验验证,结果显示:该算法检测速度快,单幅图像平均检测耗时仅37.6ms,满足带钢在线实时检测要求。在同一缺陷数据库与灰度投影法,多尺度Gabor边缘检测法和隐马尔可夫树模型法进行了性能对比,结果表明:本文算法对带钢常见8类缺陷类型,平均检测率达到了95.3%,且漏检率和误检率较低,有效性高于对比算法。

基于显著性检测和高斯混合模型的早期视频烟雾分割算法

针对视频火灾探测中早期火灾烟雾提取问题,提出一种基于显著性检测和高斯混合模型的烟雾疑似区域分割算法。根据人眼视觉注意机制,将阴燃烟雾看作视频中湍流和灰色显著的区域,采用显著性方法分割疑似烟雾区域。使用非线性增强方法增强视频的亮度图像和光流图谱,用增强后的图像计算显著性谱。由计算出的运动前景构造运动能量函数,对显著性谱进行估计,得到疑似烟雾区域。实验结果表明,与传统烟雾区域检测算法相比,该算法具有更好的分割精度,并且计算速度也有较大提高,适用于实时视频烟雾探测。

基于带汇点Laplace扩散模型的显著目标检测

该文基于Laplace相似度量的构造方法,针对两阶段显著目标检测中显著种子的不同类型(稀疏或稠密),提出了相应的显著性扩散模型,从而实现了基于扩散的两阶段互补的显著目标检测。尤其是第2阶段扩散模型中汇点的融入,一方面更好地抑制了显著性图中的背景,同时对于控制因子α的取值更加稳健。实验结果表明,当显著种子确定时,不同的扩散模型会导致显著性扩散程度的差异。基于带汇点Laplace的两阶段互补的扩散模型较其他扩散模型更有效、更稳健。同时,从多项评价指标分析,该算法与目前流行的5种显著目标检测算法相比,具有较大优势。这表明此种用于图像检索或分类的Laplace相似度量的构造方法在显著目标检测中也是适用的。

基于改进HFT模型的显著性检测

为提高频域视觉注意模型的生物可信性和有效性,在综合分析现有模型的基础上,通过改进超复数傅里叶变换(hypercomplex Fourier transform,HFT)模型使用的颜色空间、四元数图像虚部系数以及最终显著图的产生方法,提出改进HFT模型。在Bruce和Judd两个数据集上对改进模型进行评估,实验结果表明,该模型显著性检测视觉结果与人类视觉更加接近,相较HFT,受试者接受曲线下的面积在两个数据集上分别提高了0.97%和6.33%。

一种基于显著性和部件模型的无约束条件人脸检测方法

针对无约束条件下的人脸检测进行研究,提出了一种基于显著性度量和部件模型的人脸检测方法。在部件模型为基础的检测方法中引入显著性理论,融合正面、左侧面、右侧面的三种平面外旋转姿态下的信息,生成完整有效的人脸显著图,并用于人脸检测。实验结果表明本文生成的人脸显著图能够更有针对性描述人脸区域,并且本文人脸检测方法相较Viola Jones人脸检测方法和基于部件模型的人脸检测方法有更高的检测率,运算速度相较原基于部件模型的人脸检测方法大有提高。

改进凸包的贝叶斯模型显著性检测算法

针对传统贝叶斯模型算法对图像显著区域检测精度需要进一步提高的问题,提出一种改进凸包的贝叶斯模型显著性检测算法。首先,利用流行排序算法对图像进行前景提取,提取的前景区域作为贝叶斯模型的先验概率;其次,利用颜色增强的Harris角点检测算法检测图像在RGB,HSV,CIELab 3个颜色空间中的特征点,分别构造RGB,HSV,CIELab空间的凸包,求取3个颜色空间下的凸包的交集;再次,通过贝叶斯模型根据先验概率、凸包与颜色直方图结合得到的观测似然概率计算获得显著性区域图;最后,将新算法在两大公开数据集MSRA和ECSSD中进行测试。结果表明,新算法能够有效抑制背景噪声,完整检出显著区域,F-measure值在MSRA和ECSSD数据库中的测试结果分别为0.87和0.71,准确率-召回率曲线在复杂图像数据库高于传统经典算法。新算法改进了传统经典算法的检测效果,进一步提高了显著图检测的准确性。

一种结合显著性检测与词袋模型的目标识别方法

针对词袋模型易受到无关的背景视觉噪音干扰的问题,提出了一种结合显著性检测与词袋模型的目标识别方法。首先,联合基于图论的视觉显著性算法与一种全分辨率视觉显著性算法,自适应地从原始图像中获取感兴趣区域。两种视觉显著性算法的联合可以提高获取的前景目标的完整性。然后,使用尺度不变特征变换描述子从感兴趣区域中提取特征向量,并通过密度峰值聚类算法对特征向量进行聚类,生成视觉字典直方图。最后,利用支持向量机对目标进行识别。在PASCAL VOC 2007和MSRC-21数据库上的实验结果表明,该方法相比同类方法可以有效地提高目标识别性能。

基于显著性模型和区域生长法的药卷缺陷检测

针对工业炸药生产过程中药卷表面裂痕的包装缺陷问题,运用机器视觉技术,提出一种基于显著性模型和局部方差区域生长法的药卷缺陷检测方法。该方法经过图像预处理,对药卷图像进行背景估计与差分;利用显著性模型,提取缺陷特征;通过局部方差区域生长法,分割目标区域,完成对缺陷药卷的检测。实验结果表明,该算法可快速有效地提取缺陷区域,平均检测时间为55.72 ms,缺陷检测率高达96.36%。

基于多尺度下凸包改进的贝叶斯模型显著性检测算法

针对传统基于贝叶斯的显著性检测算法存在的准确率不理想的问题,提出了一种基于多尺度凸包改进贝叶斯模型的显著性检测算法。该算法首先通过流行排序算法(MR)在CIELab颜色空间上对图像的前景进行提取,并将其作为先验图;其次通过高斯金字塔算法对图像进行降采样,得到3种不同尺度的图像(包括原图),结合经典的Harris算子检测不同尺度图像的角点,求三者的交集,得到更合理的凸包;然后利用颜色直方图结合凸包来计算观察似然概率;最后根据已有的先验图和似然概率,利用贝叶斯模型计算显著图,并进行优化处理得到最终的显著图。为了验证该算法的正确性和有效性,在公开数据集MSRA1000和ECSSD上进行仿真实验。结果表明,该算法不仅能够得到较好的视觉效果,而且召回率、准确率和F-measure等评价指标比传统算法有明显提升。

联合Sobolev梯度的相场变分模型应用于图像显著性检测

基于变分框架和相变换理论,提出能量泛函应用于图像显著性检测,采用Sobolev梯度法最小化该能量泛函,由此导出基于时间的演化系统应用于计算机视觉选择,其检测过程是图像显著和非显著分量的竞争变化.比较传统的L2梯度,Sobolev度量具有更好的正则性.论文阐述了演化系统的动态行为和视觉选择之一致性,这对探索新的显著性检测机制非常重要.实验显示,本文模型在较好压制图像背景的同时,获得较为精细的目标、纹理,绒毛等信息,这些信息对于视觉感知是非常重要的.

基于深度学习的显著性检测方法模型——SCS

提出一种基于深度学习的图像显著性区域检测方法,该方法对2种视觉注意机制所涉及的低级对比特征和高级语义特征分别进行提取,并结合2类特征进行模型训练最终得到基于分类思想的图像显著性区域检测模型——SCS检测模型。通过对比实验得出:该方法训练得到的检测模型在检测准确度上具有显著的优势。

基于对象性和多层线性模型的协同显著性检测

针对背景环境复杂的图像组中协同显著性检测的共显性目标混乱不一致、准确率低的问题,提出了一种基于对象性和多层线性模型的图像协同显著性检测方法。首先通过显著性先验和对象性概率加权的背景引导因子BGO计算图像间显著性引导传播的显著值;然后设计了一种局部区域特征计算图像内显著值,并使用图像的hu矩的零、一阶和二阶矩对两阶段显著值进行整合;最后通过多层线性模型自适应地融合各个显著图得到最终结果。实验结果表明:本文算法分别在iCoseg和MSRC两个数据集上的平均精度达到了87.80%和83.50%,在其它实验指标上的评估结果也有明显提高,增强了算法的适应能力。

基于多尺度的贝叶斯模型显著性检测

针对传统基于贝叶斯模型的显著性检测算法存在准确率不理想的问题,提出了一种基于多尺度的贝叶斯模型显著性检测算法。通过超像素分割算法(SLIC)将原图分割成不同尺度的超像素,根据超像素边界信息得到背景种子,进而通过距离计算和多尺度融合得到背景先验;对原图进行颜色增强,采用Harris算子对增强图进行检测角点求得凸包,融合不同尺度下的超像素得到凸包先验;融合背景先验和凸包先验得到最终先验;利用颜色直方图和凸包计算似然概率;将最终先验和似然概率通过贝叶斯模型计算显著图。在公开数据集MSRA1000、ECSSD上与多种传统算法进行准确率和召回率对比,该算法有更好的表现。

模拟神经反馈机制的显著性计算模型

根据视觉皮层神经元的非经典感受野的调制特性,构造了模拟视觉神经网络反馈机制的显著性计算模型。该模型充分利用神经网络中的反馈机制,模拟视觉皮层神经元之间侧连接所引起的易化和抑制作用,对视频图像序列中全局运动造成的背景噪声进行抑制,从而获得视频运动对象的显著图,提取完整的运动目标。实验结果表明,该计算模型能较好地抑制视频图像序列的全局运动,获得运动对象的显著性图,有效地实现移动镜头下的运动目标检测,且显著性的计算性能高于其它计算方法。

融合背景模型和颜色特征的多尺度视觉显著性检测

结合图像背景先验信息和颜色特征,提出一种融合背景模型及颜色特征的视觉显著性检测方法。将图像颜色空间转换到Lab颜色空间下,利用SLIC超像素分割方法对图像进行分割,然后将图像中心的椭圆外面的区域划分为背景区域,同时将背景区域分割成四个互不重叠的相等子区域,构建图像背景模型,分别计算内部区域与这四个背景区域的差异性得到显著性特征。为了避免显著性目标在图像边缘时带来的漏检现象,同时考虑图像背景区域内部颜色特征的奇异性,特征奇异区域即为显著性区域。