一种基于颜色和纹理的显著区域提取算法

针对基于视觉的机器人导航中的显著性场景的提取问题,提出了一种基于颜色和纹理的显著性区域提取方法.该方法首先将输入图像提取出L,a,b三个颜色通道并转化为亮度图像;然后分别对L,a,b三个通道进行高斯差分滤波,在亮度图像上使用Gabor滤波器产生四个方向的纹理图;最后综合Lab图和纹理图,提取出输入图像中的显著部分.实验结果显示该方法可以有效提取校园环境下的显著性场景,在基于视觉的机器人导航系统中,该方法可以用于识别一些关键场景,如目的地、目标物体、路标等.

采用脉冲耦合神经网络的改进显著性区域提取方法

由于仅考虑颜色等视觉对比信息的视觉显著性提取模型不符合人眼生物学过程,本文提出了一种基于混合模型的改进显著性区域提取(ISRE)方法。该混合模型由显著性滤波算法和改进脉冲耦合神经网络(PCNN)算法构成。首先,利用显著性滤波器算法获得原图像的初始显著性图(OSM)和亮度特征图(IFM),用IFM作为PCNN的输入神经元;然后,进一步对PCNN点火脉冲输入进行改进,即对PCNN内部神经元与OSM的二值化显著性图进行点乘,确定最终点火脉冲输入,以获得更加准确的点火范围;最后,通过改进后的PCNN多次迭代,完成显著性二值化区域提取。基于1 000张标准图像数据库进行的实验结果显示:在视觉效果和客观定量数据比对两方面,本算法均优于现有的5种显著性提取方法,平均查准率为0.891,平均召回率为0.808,综合指标F值为0.870。在真实环境实验中,所提算法获得了精确的提取效果,进一步验证了本算法具有较高的准确性和执行效率。

基于视觉注意机制的彩色图像显著性区域提取

图像显著性区域提取是计算机视觉处理的重要步骤。结合人类视觉心理、生理模型,提出一种基于视觉注意机制的彩色图像显著性区域提取模型。通过改进的分水岭算法对彩色图像进行预分割,从而将原图像分成若干子区域,在此基础上运用提出的区域化空间注意力模型对各个子区域进行显著图计算,得到最终的显著性区域提取结果。实验结果表明,提出的显著性区域提取算法可以很好地从彩色图像中得到与视觉注意机制相一致的结果,且满足实时性要求,与传统方法相比,算法提取的区域更完整、更准确。

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。

基于融合多层卷积特征的显著性区域提取

针对目前卷积神经网络提取图像特征不充分导致的显著性提取效果不明显的问题,提出了一种多层卷积特征融合的自编码显著性区域提取算法。在使用卷积网络提取图像特征时,其浅层卷积特征一般提取的是图像的细节特征如颜色、纹理和位置特征,深层次卷积特征一般是图像的语义特征,在编码层将浅层卷积特征经过下采样融合到深层次的卷积特征中,并将深层次卷积特征进行上采样融合到浅层卷积特征中,实验表明这样可以大大提高编码质量;在解码中将编码时的卷积特征也进行融合,可以获取到解码丢失的信息进而得到更优的解码图像。此外还设计了逐层监督的方式来指导解码层的训练,即用标准的区域提取图进行下采样作为每一层解码层的标准图进行监督训练。实验结果表明,该方法可以在PAGRN的基础上将F度量平均提升0.071,平均绝对误差MEA平均降低0.031。

强调显著性区域的铅笔画生成算法

将自然图像转换成铅笔画是近年来非真实感绘制技术的一个热点,然而现有的铅笔画生成算法总是致力于将原图中所有细节都展现出来,忽视了非真实感绘制强调突出主体这一特点。为解决这个问题,利用显著性区域提取技术提取主体,将原图划分为显著区域与背景区域,根据不同区域设置不同的线条、纹理与颜色,以达到突出主体的目的。得到了更为符合非真实感绘制定义的铅笔画,线条与纹理十分接近手绘风格,输出图分辨率较高,同时对噪声有较强的抵抗能力。

视觉选择性注意模型化计算中的特征整合权值估计与图像显著性区域提取

针对视觉选择性注意模型化计算过程中不同特征在整合阶段的权值判定,提出一种基于特征图分布的权值估计方法,并在静态图像显著性区域提取中取得了令人满意的应用效果.首先提取原始图像的颜色、方向和强度特征图像,然后计算各个特征图的广义高斯分布参数与方差,进而给出一种特征图权值估计算法,最后通过对特征图的加权整合与归一化实现对原始图像的显著性区域提取.实验结果表明,通过此方法计算的权值对特征进行加权调制所提取的显著性区域的效果更加符合人眼的观测结果.

基于轻量化语义分割网络的织物复杂纹理疵点分割方法

针对织物复杂纹理表面疵点分割难题,现有自动化检测方法在计算复杂度、分割精度及实时性方面仍有待提升,为解决这一问题,提出基于轻量化语义分割网络的方法。通过图像增强技术提升织物复杂纹理图像的清晰度,采用显著区域提取方法定位疵点候选区域,构建轻量化语义分割网络,利用语义信息准确分割疵点。实验结果表明:所研究方法在平均召回面积方面有着明显的优势,证明了所研究方法在疵点分割任务上的高效性和准确性,有助于提升产品质量和生产效率。

基于RTM的自主服务机器人智能化分散控制

为提高智能服务机器人的服务质量及智能化水平,基于机器人技术中间件(robot technology middleware,RTM),对室内环境下的机器人定点物体传送任务及其相关技术进行了深入研究.首先,为了提高系统的稳定性及开发效率,建立功能模块集,并结合模糊树图与DS(Dempster-Shafer)证据理论实现模块的粒度划分;对于机器人定点物体传送过程中所面临的即时定位与地图创建问题,采用Rao-Blackwellized粒子滤波算法完成底层栅格地图的创建,进而构造动态精简式混合地图,并利用记忆循迹规则实现机器人定点导航;通过改进的显著性区域提取算法实现对空间物体坐标的提取,并利用智能机械臂平台完成对物体的抓取及传送任务.以机器人移动平台和UR5机械臂为基础对设计系统进行实际测试,结果验证了所提分散控制方法的有效性和可行性.

基于对比度补偿的立体视频舒适度评价

为给评价立体视频的舒适程度提供一种可参考的标准,在确定人眼观看立体视频时水平视差为主要影响因素基础上,以对比度作为其补偿因素对立体视频舒适度的影响。利用图形分割方法将前景与背景分离,利用场景相关的显著区域提取方法得到显著区域,提取显著区域的视差并分别提取前景和背景对比度,结合深度感知理论和最小二乘拟合方法建立评价模型,利用主观评价方法对模型进行评定,由此得到对立体视频舒适度评价的一种方法。由主观评价验证可知,该评价方法与人眼的立体视觉基本一致,为进一步研究人眼立体舒适度提供参考。

基于相关向量机的物体识别

探讨了相关向量机的分类原理及其在物体识别中的应用,其核函数无需满足mercer条件,且不需要误差参数的实验调整.提出了一种基于物体显著区域的特征描述方法,在有效提取物体特征的同时,大大减少了描述物体的特征量.实验结果表明,相关向量机不仅具有与支持向量机相同的性能,而且其相关向量较少,并取得了较好的识别效果.

视差和运动对立体视频舒适度感知的影响

为了更好地评价立体视频的舒适程度,提出了将立体视频中存在的3种视差与物体的运动特性作为影响立体视频舒适度重要因素,并利用这4种因素在不同的立体视频内容中得到的数据变化建立符合人眼感知的客观舒适度评价标准。首先提取帧内显著物体视差、帧内相关背景视差、帧间视差和运动变量4种因素;然后结合深度感知理论和最小二乘拟和方法建立评价模型;最后利用主观评价的方法对模型进行评定。结果表明,本文方法可以很好地模拟人眼的主观感受。