高斯函数在显著图像特征提取中的应用仿真

不同图像具有不同的特征和结构,为了更好分析和识别图像信息,提高特征分类精度,提出了基于高斯函数的显著图像特征提取方法。利用指数函数法感知显著图像轮廓边界,将图像变换到含有明暗信息的色彩空间,并锐化算子,判断抑制或增强范围,筛选出显著图像的信息。按照不同的目标函数计算映射矩阵,保留原空间数据点的局部信息,赋予最佳限制条件,提取显著图像的局部特征,结合高斯函数估算协方差矩阵获得高斯特征,完成全局特征提取。通过实验证明,所提方法对三个数据集的识别准确率在85%以上,且特征提取效果好,纹理细节清晰,保证图像信息完整。

图像级别和像素级别的显著图像的融合

RGB-D图像显著目标检测旨在从一对RGB图像和深度图像中识别视觉上最显著的目标。目前,学术界已经提出了各种有效的单幅RGB-D图像显著性检测方法,而这些检测方法之间存在着优势互补。因此,对各种方法生成的显著图进行融合以提高显著性检测精度的研究工作同样不可或缺。在对相关显著图像融合工作研究后,提出两个级别上的融合过程。首先,运用多种现成的RGB-D显著图检测方法生成初始显著图;其次,分别对图像级和像素级两个层面上的显著图融合工作进行了研究,再将这两个层面上得到的显著图按比例进行融合,得到最终的图像显著图。实验结果表明,该显著图融合方法的效果不仅优于单个图像显著性检测方法,而且和其他的融合方法相比,也具有一定优势。

基于多任务学习的视频和图像显著目标检测方法

显著目标检测(Salient Object Detection,SOD)能够模拟人类的注意力机制,在复杂的场景中快速发现高价值的显著目标,为进一步的视觉理解任务奠定了基础。当前主流的图像显著目标检测方法通常基于DUTS-TR数据集进行训练,而视频显著目标检测方法(Video Salient Object Detection,VSOD)基于DAVIS,DAVSOD以及DUTS-TR数据集进行训练。图像和视频显著目标检测任务既有共性又有特性,因此需要部署独立的模型进行单独训练,这大大增加了运算资源和训练时间的开销。当前研究大多针对单个任务提出独立的解决方案,而缺少统一的图像和视频显著目标检测方法。针对上述问题,提出了一种基于多任务学习的图像和视频显著目标检测方法,旨在构建一种通用的模型框架,通过一次训练同时适配两种任务,并进一步弥合图像和视频显著目标检测方法之间的性能差异。12个数据集上的定性和定量实验结果表明,所提方法不仅能够同时适配两种任务,而且取得了比单任务模型更好的检测结果。

基于深度学习的显著运动下高动态范围图像重建的研究

高清直播业务在广电行业中举足轻重,但是存在不同强度光照以及人物运动导致直播画面不清晰和亮度不自然的问题,本文提出了一种基于深度学习技术的方法,可应用于显著运动下的高动态范围图像重建。实验结果表明,该方法不仅改善了画面清晰度,还解决了亮度不均和运动模糊等问题,进一步提升了用户的直播观看体验。此外,该方法还大幅降低了模型计算成本,为智能高清直播技术的进一步推进提供了有力支持。

基于图像显著性的空中光学伪装效果评估方法

针对传统伪装效果评估在大场景空中图像不适用问题,提出一种基于图像显著性的空中光学伪装效果评估方法。采用频率调谐(frequency-tuned,FT)模型生成全局显著图和显著区域图,使用残余谱(spectrum residual,SR)模型生成局部显著图;根据显著图计算全局显著均值、显著区域占比和局部显著均值3个指标;通过熵权法综合3个指标得到综合显著性评估系数来量化评估,在林地和雪地背景下获取伪装目标空中光学图像进行实验验证。结果表明:该方法能较好地体现不同伪装效果的差异,优于目标背景相似度加权模型,且可根据显著图优化伪装方案。

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LBP特征与图像显著性的散焦模糊区域检测

针对当前散焦模糊区域检测算法对于均质清晰区域容易误判,边缘定位不够准确的问题,提出一种基于LBP特征与图像显著性的散焦模糊区域检测算法。首先,利用LBP特征和SLIC算法来获取SLBP模糊图,利用DRFI显著性检测算法来获取DRFI显著图;然后,利用SLBP模糊图和DRFI显著图来构造三元标识图,进而利用KNN抠图算法来获取模糊图;最后,借助于形态学运算和平滑滤波来细化模糊图。在公共模糊数据集上的实验结果表明,该算法能有效地检测出均质清晰区域,保留图像边缘细节,在检测精度和查全率指标上表现较好。

视觉显著性区域检测技术研究

人类的视觉注意机制能使人迅速找到图像画面中“最显著”或“最感兴趣”的区域,从而排除干扰,并提高后续处理的效率及准确率,对计算机高效智能地处理图像数据具有重要的借鉴意义。在对现有视觉显著性区域检测技术研究的基础上,文章归纳了各种检测模型的典型结构及研究现状,介绍了用于显著性区域检测研究的主流数据集和常用性能评价指标,通过实验对比了几种行业领先技术的检测结果,最后对显著性区域检测技术存在的问题进行了分析与总结。

基于显著性检测的舰船目标识别方法研究

针对红外图像舰船目标识别率较低的问题,提出基于显著性检测算法的舰船目标识别方法。通过分析图像中的显著性特征,利用颜色、形状和空间位置3个维度对显著性对象进行检测分析。结合背景先验和前景约束,提出显著图提取方法,降低干扰噪声对目标识别的影响。在舰船目标识别特征提取方面,选择形状、尺寸、矩特征、轮廓特征和纹理特征作为主要特征,并通过多特征级联的方法对舰船目标进行识别。算例分析结果表明,所提出的方法准确率达到89.21%,检测速度达到31帧/s,验证了基于显著性检测算法的红外图像舰船目标识别方法的有效性和优越性。

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。

基于显著性图像边缘的全参考图像质量评价

大部分图像质量评价算法仅研究图像的灰度值及信息内容,没有充分考虑人眼视觉特性对图像质量评价的影响,针对此问题提出了一种基于显著性图像边缘的全参考图像质量评价方法。利用显著性图像表征图像的视觉关注内容,然后提取显著性图像的边缘检测图,得到人眼关注的结构和边缘,最后计算参考图像与失真图像边缘检测图之间的汉明距离得到图像质量评价指标。实验结果表明本文提出的评价指标满足人眼视觉特性,对于各种失真类型有非常高的主观一致性,评价性能也优于很多其他指标。

基于红黑小波的图像显著性检测

频域分析方法是图像显著性检测的经典方法之一,算法简单且计算速度快.然而传统的傅里叶频域分析方法计算出的显著性图精细度较低,难以获得满意的显著性区域分割结果.针对此问题,文中提出基于红黑小波变换的图像显著性检测方法.首先根据图像的尺寸确定红黑小波的分解层数;然后将原始图像和经过高斯平滑处理的图像分别进行红黑小波分解,求得二者分解结果的差值,并对该值进行红黑小波反变换获得显著性图.实验结果表明,与传统的傅里叶频域分析方法相比,该方法可获得更好的显著性检测效果.

融合显著信息的层次特征学习图像分类

高效的图像特征表示是计算机视觉的基础.基于图像的视觉显著性机制及深度学习模型的思想,提出一种融合图像显著性的层次稀疏特征表示用于图像分类.这种层次特征学习每一层都由3个部分组成:稀疏编码、显著性最大值汇聚(saliency max pooling)和对比度归一化.通过在图像层次稀疏表示中引入图像显著信息,加强了图像特征的语义信息,得到图像显著特征表示.相比于手工指定特征,该模型采用无监督数据驱动的方式直接从图像中学习到有效的图像特征描述.最后采用支持向量机(support vector machine,SVM)分类器进行监督学习,实现对图像进行分类.在2个常用的标准图像数据集(Caltech 101和Caltech 256)上进行的实验结果表明,结合图像显著性信息的层次特征表示,相比于基于局部特征的单层稀疏表示在分类性能上有了显著提升.

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.

基于图像显著性特征的交通标志注视点预测方法

基于图像显著性特征对交通标志的驾驶员注视点进行了预测.以Ltti的视觉注意模型为基础,通过高斯金字塔的生成、多通道图像特征的提取及特征图的生成以及显著性图的生成等步骤,建立了针对交通标志的注视点预测模型.以眼动仪为手段,对模型进行了验证.以相似度和线性距离两项指标对模型精度作了评价,实验结果显示,该模型对复杂交通标志的注视点预测具有良好的精度.

图像显著性检测方法解析

图像显著性检测是一种通过对图像颜色、强度、方向等特征进行分析生成图像显著性图的技术。其生成的显著性图可以用于图像分割、图像压缩以及图像识别等图像处理领域,从而改善图像处理的性能。为了对图像显著性检测技术及其发展有一个全面深入的了解,使用文献研究法和比较研究法对其概念及方法进行了探究。针对几种具有代表性的图像显著性检测算法进行了简要的概述和分析,用流程图简明扼要地表示显著性检测算法的基本框架。研究结果显示,图像显著性检测技术的效率在不断提升,算法越来越多样化,在图像处理领域的应用越来越广泛,这些对于图像处理自动化具有重要意义。

基于区域特征的图像显著性建模

针对现有图像显著性区域提取算法都是以图像像素为基本单元进行计算,因而会导致显著性表示中一致性较差、运算量较大等问题,提出一种新的图像显著性建模方法,即以超级像素为基本单元,提取颜色直方图、区域纹理等特征,融合整体比较模型和局部比较模型,有效地解决显著性表示一致性的问题.实验表明,通过对标准图像数据集的显著性提取、分割,该算法能够有效地表示颜色、密度等方面的显著性;与现有算法相比,获得的图像显著性表示具有更好的一致性效果.

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。

基于DCT系数的图像显著区域检测

针对传统非DCT域图像显著区域检测方法无法直接应用于压缩图像的问题,提出一种基于DCT系数的图像显著区域检测方法.首先利用DCT所得系数提取图像块的亮度、颜色和纹理特征;然后通过分析特征向量分布规律对频率最低的部分特征向量进行替换,并计算特征向量全局对比度;最后将构建的高斯系数矩阵与所得对比度结果融合,从而完成图像显著区域检测.仿真实验结果表明,与现有的基于压缩域的显著检测方法相比,该方法可获得更好的显著区域检测结果,并且有着较高的检测效率.

融合图像显著性的声波动方程情感识别模型

语音情感识别(Speech emotion recognition,SER)是计算机理解人类情感的关键之处,也是人机交互的重要组成部分。当情感语音信号在不同的介质传播时,使用深度学习模型获得的识别精度不高,识别模型的迁移能力不强。为此,设计了一种融合图像显著性和门控循环的声波动方程情感识别(Image saliency gated recurrent acoustic wave equation emotion recognition,ISGR-AWEER)模型,该模型由图像显著性提取和基于门控循环的声波动模型构成。前者模拟注意力机制,用于提取语音中情感表达的有效区域,后者设计了一个声波动情感识别模型,该模型模拟循环神经网络的流程,可以有效提升跨介质下语音情感识别的精度,同时可快速地实现跨介质下的模型迁移。通过实验,在交互情感二元动作捕捉(Interactive emotional dyadic motion capture,IEMOCAP)情感语料库和自建多介质情感语音语料库上验证了当前模型的有效性,与传统的循环神经网络相比,情感识别精度获得了25%的改善,并且具有较强的跨媒介迁移能力。