基于IS模型的视觉显著性分析及算法改进

针对现有视觉显著性模型不具有普适性的局限性,本文分析了基于有效编码假说的视觉显著性IS模型,为解决IS模型描述大目标时显著性不理想的问题,利用该模型方法简单、计算量小、可行性好等优势,以相似区域分配相近显著性值作为约束条件,对该模型的算法进行了改进。实验结果表明:改进算法与原方法计算复杂度相当,平均运行时间为0.06 s,易于实现、计算量小,且与原方法相比其查准率提高3%、查全率提高2%,能有效检测出图像中的显著目标区域,具有一定普适性。

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%。

基于说话人辨识的自上而下听觉显著性注意模型

为体现听觉注意神经信息处理计算机制对听觉场景内容的自动分析与理解功能,本文基于人耳对频率变换的感知特性,结合深度信念网络的说话人辨识与听觉显著模型,提出了一种自上而下的听觉显著性注意提取模型.仿真结果表明:该模型具有可行性,同时在利用深度信念网络的说话人辨识技术中能够有效地凸显目标说话人的显著度.

建筑立面视觉特征识别的量化研究与评价——基于视觉显著性模型的分析方法

建筑设计中关于视觉方面的评判标准通常是模糊、定性和主观的,无法为设计师提供确切清晰的指导意见,从而也无法对设计结果进行有效的把控。研究将计算机视觉领域的视觉显著性概念引入建筑设计,利用视觉显著性模型模拟人眼的视觉注意力,综合探讨建筑立面视觉特征被人眼所提取的可能性,对任意两种存在局部差异的同一个建筑立面及其不同组成部分所产生的视觉效果进行量化比较和客观评价;同时对该方法的有效性与局限性进行分析验证。以期为建筑视觉效果量化评价研究提供新的途径与手段,进而应用于涉及历史文物保护、建筑风格规划、标志性建筑设计等城市形象建设相关管理标准与实施办法的制定。

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。

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.

基于偏振信息的水下目标显著性检测

针对传统显著性检测方法过分依赖光谱及光强特征,不能很好地适用于复杂多变的场景,提出一种将偏振特征与显著性模型相结合的水下图像显著性检测方法。首先从获取的水下目标偏振信息中提取偏振度和边缘特征,然后完成种子点筛选及扩散,最后利用竞争网络实现注意焦点转移,检测出水下目标显著性区域。实验结果表明,该方法明显优于其他同类方法,能够提高显著性区域提取的准确性,改进水下图像智能分析。

基于视觉显著性的海面船只候选区域检测方法

海面船只检测技术具有重要的民用和军用价值,针对复杂海面场景下船只检测精度低的问题,提出了一种基于视觉显著性的遥感图像海面船只候选区域检测方法。为检测到所有船只的候选区域,该方法首先采用Scharr边缘检测算子提取显著目标的边缘轮廓特征,然后基于边缘检测结果运用FT显著性模型得到最终的候选区域检测结果。在公开遥感数据集上的仿真实验结果表明,该方法在多种复杂检测场景下的船只候选区域检测任务中取得了较好的检测效果,实现了对船只候选区域的快速提取。

采用SJND模型的动态点云感知编码方法

动态点云能有效描述自然场景与3D对象,提供沉浸式视觉体验;但其数据量庞大。需对其进行有效压缩。提出了采用显著性引导的恰可察觉失真(Saliency-guided Just Noticeable Distortion,SJND)模型的动态点云感知编码方法。针对纹理图感知冗余,构建了基于离散余弦变换域的SJND模型,应用于纹理图编码过程中的DCT系数抑制;考虑到相同失真等级下显著区域的几何失真更易被察觉,提出使用投影显著图将几何图进行分层;最后,为不同层级的编码树单元进行自适应量化参数选择和编码。与V-PCC标准方法相比,在保证动态点云视觉质量的前提下,所提出方法提升了动态点云的编码效率。

限制性两阶段多位点全基因组关联分析法(RTM-GWAS)的特点、常见提问与应用前景

限制性两阶段多位点全基因组关联分析方法(RTM-GWAS)是新建立的一种可以全面检测自然群体和双(多)亲衍生群体中具有不同复等位变异QTL体系的关联分析方法。本文介绍了提出RTM-GWAS的出发点及其两大主要特点,包括建立适合自然群体和和双(多)亲衍生群体特点的复等位变异标记和控制总体贡献率的多位点关联分析模型。一般读者和编者对RTM-GWAS的方法、原理,对复等位标记和多位点模型并无异议,提问与质疑主要分为两方面:一是RTM-GWAS检测到的QTL数量较多,大大多于单位点MLM模型所检出的QTL数目,怀疑增加的QTL是假阳性所致;另一是采用常规显著水准要求太低,不适于关联分析。本文对此做了严密释疑。最后介绍了关于RTM-GWAS的应用前景,包括遗传体系解析与重要基因克隆,双(多)亲杂交衍生群体遗传解析,群体遗传分化与进化和设计育种等方面。

基于局部显著区域的自然场景识别

场景识别是移动机器人实现拓扑导航的关键。针对未知环境,提出一种基于视觉局部显著区域的自然场景识别方法。首先,提出带反馈的显著性检测模型(FSDM)自底向上进行图像分析;然后,根据显著位置,基于分形实现自动尺度选择,以构造合适尺寸的局部显著区域。对场景图像中的显著区域采用梯度方向、二阶不变矩、归一化色调3种特征进行不变性表示,并根据其匹配率实现场景识别。实验结果表明,FSDM具有较高的显著性检测精度。而且室内室外环境的多次场景识别实验也表明,该方法与全局外观方法相比能够更好地容忍尺度、视角等变化引起的差异,静态场景识别具有较高的准确性。

地震空间活动性异常的多尺度表示及其对强震时空要素的指示作用

基于偄ｔｒｏｕｓ小波变换的噪声腜?,通过小波变换与统计显著性检验模型的有机结合 ,产生了数据图象结构的多尺度支撑表示 .这一表示不仅给出了数据结构在不同尺度的形状和位置 ,而且剔除了噪声对结构的影响 .由于相应的算法对数据结构的先验假设要求不高 ,故这一方法适用于分析结构复杂的数据 .本文将该思路用于地震空间活动性的研究 ,重点探讨了如何识别并描述不同尺度地震空间活动性异常的方法 .以我国西南地区松潘、黄龙、龙陵、盐源等典型地震序列为例 ,分析了不同尺度地震空间活动性异常的结构特征 .研究表明 ,地震活动性异常的多尺度空间结构与强震震中之间存在一定的关系 ,而松潘序列前震活动性异常的时空演化也表现出一定的规律 .

一种基于有监督学习的视觉注意力模型

视觉注意力建模技术是计算机主动视觉领域的关键技术。为了提高传统视觉注意力模型预测人眼注视点的精度,提出了一种基于有监督学习的视觉注意力模型,该模型通过引入真实眼动数据作为监督值,结合自底向上特征(如方向、颜色、强度)及自顶向下特征(如人、脸、汽车等),作为Ada Boost分类器的样本,训练出自然场景中像素点特征向量与注视点之间的映射,并采用训练后的模型生成自然场景的视觉显著区域。实验结果表明,本文模型优于现有的8个主流模型,并能够较高质量地预测人类注视点。

基于多尺度区域对比的显著目标识别

为了对图像中的显著目标进行更精确的识别,提出一种新的基于多尺度区域对比的视觉显著性计算模型。首先基于多尺度思想将图像分别分割为不同数目的超像素,对超像素内的像素颜色值取平均以生成抽象化图像;然后根据显著特征的稀少性及显著特征的聚集性,计算单一尺度下超像素颜色特征的显著性值;最后通过取各尺度超像素显著度的平均值来融合多尺度显著图,得到最终的视觉显著图。实验表明,以MSRA图库中的1 000张随机自然图片为例,该模型较现有较好的区域对比模型,显著目标识别的精确率提高了14.8%,F-Measure值提高了9.2%。与现有的算法相比,该模型提高了算法对显著目标大小的适应性,减少了背景对显著目标识别的干扰,具有更好的一致性,能更好地识别显著目标。

融合显著性模型和高斯网模型的视网膜血管分割方法（英文）

视网膜血管分割是眼底图像分析的一个重要问题。本文提出一种融合显著性模型和高斯网(GNET)模型的新型深度学习结构分割视网膜血管。显著性图像替代原始图像作为GNET模型的输入。GNET模型具有双边对称结构。左边结构中,在第一层进行上采样操作,在其他层进行最大池化操作;右边结构中,在第一层进行最大池化操作,在其他层进行上采样操作。利用DRIVE数据库对所提方法进行评估。实验结果表明,与UNET模型相比,GNET模型能获得更精确的特征和更精细的细节。本文所提算法能提取准确的血管网络,与其他深度学习方法相比具有更高精确度。视网膜血管分割有助于提取血管变化特征,为脑血管疾病筛查提供依据。

结合HIS和小波变换的自适应遥感影像融合

多源遥感影像融合中,通常不同地物区域对光谱特征和空间细节信息的要求有所不同。针对该特点,提出了一种IR(自适应半径搜索)显著性分析模型,实现了对多源遥感影像显著性区域和非显著性区域的识别与划分。结合HIS与小波变换融合算法,提出了改进的自适应平均梯度加权HIS融合方法,实现了对道路、农田、居民区等显著性区域的融合,更好的保留了其丰富的空间细节信息;同时提出了HIS+WT变换的融合方法,实现了对山地、林地等非显著性区域的融合,保留了较多的光谱信息。以此实现了分区域的自适应遥感影像融合。实验结果表明,本文方法能够使融合后的遥感影像既能保持较高的空间细节表现能力,又能很好地保留其光谱信息。对农业科学、森林规划以及今后森林遥感影像分类、识别等研究提供了一定的理论基础与应用价值。

融合运动和空间关系特性的显著性区域检测

为了解决传统视觉显著性模型在复杂现实场景中容易失效的问题,提出了一种融合运动和空间关系特性的显著性检测方法.在颜色对比度的基础上,引入图像中目标的空间深度关系和运动特征.首先建立深度显著性模型,并使之与颜色显著性融合获得空域显著图;然后通过分析运动矢量得到运动特征显著性,并采用加性融合和乘性融合联合的方式计算出最终的显著图.实验分析建立在多个立体图像数据库之上,量化评价和视觉观测均表明:本方法可以有效地提取显著性区域,检测效果优于传统方法.

基于视觉感知的率失真优化算法

率失真优化在视频编码中起着关键作用,其目的是在压缩效率和视频质量失真之间取得平衡。现有的率失真算法主要针对视频中时间和空间冗余的消除,未充分考虑视频内容的主观感知冗余。本文提出了一种基于视觉感知的率失真优化算法,通过数据驱动的JND预测模型推导拉格朗日乘数因子,并使用显著性模型优化拉格朗日乘子权重系数,最终融合应用于率失真优化,并采用SW-SSIM评估视频质量,实现视频编码的感知优化。实验结果表明,与AVS3标准率失真算法相比,本文所提算法平均节省12.15%的码率,SW-SSIM提高了0.004 3,有效降低了视频内容中的感知冗余,提高了视频感知质量和编码性能。

基于多特征融合的玻璃绝缘子识别及自爆缺陷的诊断

在无人机检测输电线路缺陷研究中,为提高识别绝缘子的正确率,有效降低背景纹理及光线的影响,提出了一种融合绝缘子形状、颜色与纹理进行识别绝缘子的方法。针对玻璃绝缘子的掉片缺陷,研究了一种感知绝缘子片重心间距离的缺陷检测方法。该方法对绝缘子正确识别率高于90%,误识别率低于10%。通过无人机巡检采集的大量输电线路图像,实验结果验证这种方法在各种复杂背景条件下能有效地识别出绝缘子,并能检测玻璃绝缘子的掉片缺陷。

一种基于遮蔽效应的图像质量评价研究

针对梯度结构相似性指标(Gradient Structure Similarity,GSSIM)无法对近阈值失真图像做出很好的判断,导致其判断结果与人类视觉系统(Human Visual System,HVS)不完全一致的问题,为提高GSSIM的准确性及其与HVS的一致性,提出了一种基于梯度遮蔽和视觉显著性的图像质量评价指标(Visual Saliency-Gradient Structure Similarity,VS-GSSIM).首先,根据梯度信号之间存在的遮蔽效应优化梯度性相似性模型;然后,结合显著性模型提高指标和HVS评判的一致性;最后,调整图像局部区域感知质量水平的相对重要性并池化最终得分.实验结果表明所提模型在一致性和单调性的评价指标上均超过GSSIM,并且优于目前绝大多数算法.