基于视觉显著特征的人脸图像分割与跟踪方法的研究

将人脑视觉注意机制应用于人脸图像分割与跟踪中,提出了一种基于视觉显著特征的人脸目标分割与跟踪算法.该方法由三步完成:首先通过模拟人脑视觉注意机制迅速而准确地利用颜色、结构、梯度和位置等信息建立人脸显著特征图.其次,基于建立的视觉显著特征图,对人脸图像视觉显著特征进行学习和聚类,最终能够快速而准确地确认和分割出图像中的人脸区域.该方法突破了传统的逐点搜索的限制,通过一个几何模型和眼图模型对图像中的人脸区域进行搜索,大大提高了人脸候选区域搜索标记的效率,减少了后续处理工作.最后,通过分割出的人脸区域得到一个有效的边界特征图,并融合人脸显著特征图对人脸进行跟踪.实验结果表明本论文所提出的基于视觉显著特征的人脸图像分割与跟踪方法能够较有效地分割出人脸.

视觉显著性模型在带钢缺陷动态检测中的应用

以人类视觉注意机制为基础,提出基于视觉注意机制的带钢缺陷检测算法.首先,提取输入图像的颜色特征;其次,对缺陷颜色特征进行预判,对显性缺陷图像采用阈值分割方法得到缺陷注意区域,对隐性缺陷图像提取的亮度和方向特征进行高斯滤波形成特征子图;然后,对滤波后的特征子图进行中央周边差操作构建特征差分子图,通过对特征差分子图归一化处理形成特征显著图;最后,利用阈值分割和区域生长分割出缺陷目标.实验结果表明,该方法利用颜色特征的预判能够快速地检测带钢图像的缺陷,可以满足实时在线检测要求,提高检测效率.

基于Dog-Leg正则化自适应压缩采样的植株图像重构

目标植株的图像压缩与重构在农作物生长状态检测、田间管理和果树病虫害识别等方面有重要作用。传统的图像压缩感知方法存在重构精度低、时间长等问题。针对这些情况,该文提出一种基于Dog-Leg最小二乘的正则化自适应压缩采样匹配追踪(regularized adaptive compressed sampling matching pursuit based on Dog-Leg,DLRaCSMP)算法。该算法以压缩采样匹配追踪(compressive sampling matching pursuit,CoSaMP)算法为基础,在迭代过程中采用正则化处理,确保支撑集选取的准确性,并结合变步长自适应思想和Dog-Leg最小二乘算法,在实现稀疏度自适应的同时,提高重构速率;选用Kinect获取目标植株的彩色图像,分别采用HSV彩色空间的亮度和色调特征及Sobel算子的轮廓特征输入至Itti模型中融合构建显著性特征图,以简化复杂背景和突出目标植株。试验结果表明,该算法在采样率为0.50时植株原始图像和显著性特征图的重构时间分别为2.14和1.75 s,较CoSaMP算法分别缩短6.57和6.31 s,重构效率比CoSaMP算法平均分别提高75.5%和77.9%;图像峰值信噪比分别高达35.16和38.93 dB,较CoSaMP算法分别提高6.12和5.75 dB,且重构精度比CoSaMP算法平均分别提高21.6%和15.5%,可以实现植株图像的快速精确重构。

一种针对海面SAR图像的视觉注意模型设计

在研究了经典ITTI等视觉注意模型的理论基础上,结合海面SAR图像背景及目标特点,对传统视觉模型应用于海面SAR图像的缺陷进行分析总结,提出一种适用于海面SAR图像视觉注意模型设计算法。首先,模型借鉴经典ITTI模型的基本框架,选择并提取了能够较好描述SAR图像的纹理和形状特征,求取相应的特征显著图;其次,采用新的特征显著图整合机制替代经典模型的线性相加机制进行显著图融合得到总显著图;最后,综合各特征显著图下注意焦点的灰度特征,选择最佳的显著性表征,完成通过多尺度竞争策略对显著图的滤波及阈值分割实现显著区域的精确筛选,从而完成SAR图像的显著区域检测。实验采用Terra SAR-X等多幅卫星数据进行仿真实验,结果验证了模型良好的显著性检测效果,更符合实际高分辨率图像目标检测的应用需求。通过进一步与经典视觉模型对比分析,模型在改善了由斑点噪声和不均匀的海杂波背景对检测结果产生的虚警影响的同时,检测速度也较之提高了25%~45%。

基于非下采样轮廓波变换与引导滤波器的红外及可见光图像融合

为克服传统融合方法对灰度相关性较弱的红外与可见光图像融合存在的不足,提出一种基于非下采样轮廓波变换(NSCT)与引导滤波器的融合方法。利用NSCT对源图像进行多尺度多方向分解,分离出包含在不同频带内的特征信息,得到一个低频近似图像和多个高频方向细节图像;局域窗口加权平均能量和改进拉普拉斯能量分别作为低频近似图像的活性测度,构造显著特征图对近似图像进行加权平均,以解决能量保持和细节提取两个关键问题;在方向细节图像中,基于活性测度取大规则获得决策映射图,将源图像作为引导图、决策映射图作为输入图像进行引导滤波,得到权重分配图,对方向细节图像进行加权平均,降低噪声的敏感度。对融合后的近似图像和方向细节图像进行NSCT逆变换,得到最后的融合图像。采用多组红外与可见光图像进行融合实验,并对融合结果进行客观评价。实验结果表明,该融合方法在主观和客观评价上均优于已有文献的一些典型融合方法,如基于两尺度分解的引导滤波融合方法、NSCT域内稀疏表示融合方法、基于像素显著性的交叉双边滤波融合方法、基于深度学习的卷积神经网络融合方法、基于显著性检测的双尺度融合方法,可获得更好的融合效果。

植株点云超体聚类分割方法

针对传统的超体聚类分割对植株存在过分割率高、实时性差的问题,提出一种融合显著性特征图的超体聚类分割方法。首先,采用Kinect V2实时获取目标植株的彩色图像和深度图像,将RGB彩色空间图像转换为CIELab彩色空间图像,计算每个像素的显著性特征值,获取彩色特征图,并融合亮度特征图和方向特征图构建显著性特征图;然后,将显著性特征图和深度图像同步对齐,获得显著性点云,八叉树网格初始化点云,并通过Mean-Shift算法获取满足概率密度阈值的网格点云,取最大概率密度点作为种子点,基于点对之间的欧氏距离和特征相似度作为区域生长相似性准则,生成超体素块;最后,通过LCCP算法对显著性点云进行聚类分割。实验结果表明,改进的显著性超体聚类分割方法可以大幅提高目标前景分割的准确性和快速性,有效克服背景噪声和离群点。

基于DNST和卷积稀疏表示的红外与可见光图像融合

为了克服传统红外与可见光图像融合方法的不足,本文提出了一种基于离散不可分离剪切波与卷积稀疏表示的融合方法。首先,利用离散不可分离剪切波将源图像分解为近似图像和方向细节图像,相比较于其他多尺度分解工具,离散不可分离剪切波能够在不同尺度内更好地分离出图像中重叠的重要特征信息。其次,利用源图像的显著特征图加权平均融合近似图像,保持融合图像的亮度和能量不丢失。卷积稀疏表示能够深度提取图像的显著特征,利用多维系数的l1范数作为活性测度构造显著特征图,生成近似图像的权重分配决策图。方向细节图像的融合规则采用"系数绝对值取大-高斯滤波"规则,通过"系数绝对值取大"规则获得初始权重分配决策图,利用高斯滤波器对决策图进行滤波处理,降低噪声的敏感度,同时增加可见光图像信息比例。最后,通过离散不可分离剪切波逆变换对融合后的系数进行重构,得到最后的融合图像。实验结果表明,相比较于已有文献的其他典型融合方法,本文融合方法在主观视觉和客观评价准则方面都取得了较好的融合性能。

基于多尺度局部极值分解与ResNet152的红外与可见光图像融合

为了进一步提升红外与可见光图像融合方法的性能,本文提出了一种基于多尺度局部极值分解与深度学习网络ResNet152的红外与可见光图像融合方法。首先,利用多尺度局部极值分解(multiscale local extrema decomposition,MLED)方法将源图像分解为近似图像和细节图像,分离出源图像中重叠的重要特征信息。然后采用残差网络ResNet152深度提取源图像的多维显著特征,以l_(1)-范数作为活性测度生成显著特征图,对近似图像进行加权平均融合,以保持能量和残留细节信息不丢失。在细节图像中,利用“系数绝对值取大”规则获得初始决策图,源图像作为引导图像,初始决策图作为输入图像进行引导滤波处理,得到优化决策图,计算加权局部能量得到能量显著图,对细节图像进行加权平均融合,使融合图像具有丰富的纹理细节和良好的视觉边缘感知。最后,对近似融合图像和细节融合图像进行重构,得到融合图像。实验结果表明,与现有的典型融合方法相比,本文所提出的融合方法在客观评价和视觉感受方面都取得了最好的效果。