基于Tchebichef矩的感兴趣区水印

提出了一种基于视觉注意机制的图像感兴趣区域(regions of interest,ROI)纹理块鲁棒水印方案,用视觉注意模型计算出图像的显著图,基于显著图坐标和图像纹理区,采用调整Tchebichef矩系数的方法对感兴趣区域进行水印的嵌入,用于保护图像的感兴趣区域。该算法实现了对图像感兴趣区域的有效自动分割,提高了计算机图像分析与处理的有效性和针对性,对图像压缩、滤波、噪声添加、背景替换以及恶意剪切等攻击均具有很强的鲁棒性。

基于SEM图像的自动对焦技术

针对扫描电子显微镜(SEM)自动对焦技术对噪声敏感,计算量大,从而影响SEM自动对焦的准确性和实时性,提出一种基于SEM图像的自动对焦技术。该技术采用基于拉普拉斯高斯算子和局部方差相结合的对焦评价函数FGLOG描述SEM的对焦状态;采用显著区提取和凸包法相结合的方法,自动提取SEM图像感兴趣区域(ROI)。实验结果表明,与5种典型的对焦评价函数对比,提出的对焦评价函数FGLOG可以有效抑制噪声。在较少幅的帧平均情况下,仍然可以正常工作,可以提高自动对焦效率。针对不同的IC图形,采用ROI选取技术可以改善对焦评价函数曲线的灵敏度。尤其针对IC孤立线条,灵敏度得到有效提高。

显微操作场景下的毛细针尖三维定位算法

显微操作在生物医学领域具有重要的应用价值。其中,三维空间中微米尺度的毛细针精密定位是显微操作的重点与难点。传统算法对于平面内毛细针定位性能良好,但面向空间中呈倾斜放置的毛细针时,通常表现出精度低、普适性差、易受光源条件影响等缺点。为提升毛细针空间定位精度,本文提出了点扫描与自动感兴趣区域(ROI)联用算法。基于针尖双端点扫描提升平面定位精度;基于自动ROI算法并结合拉普拉斯方差聚焦评价函数提升景深方向定位精度。实验结果表明:本文方法应用于空间中呈倾斜放置的毛细针时,三维定位误差小于1μm,克服了传统算法精度低、普适性差、易受光源条件影响等问题,为精密显微操作奠定了良好的算法基础。

聚合细粒度特征的深度注意力自动裁图

目的从图像中裁剪出构图更佳的区域是提升图像美感的有效手段之一,也是计算机视觉领域极具挑战性的问题。为提升自动裁图的视觉效果,本文提出了聚合细粒度特征的深度注意力自动裁图方法(deep attention guided image cropping network with fine-grained feature aggregation,DAIC-Net)。方法整体模型结构由通道校准的语义特征提取(semantic feature extraction with channel calibration,ECC)、细粒度特征聚合(fine-grained feature aggregation,FFA)和上下文注意力融合(contextual attention fusion,CAF)3个模块构成,采用端到端的训练方式,核心思想是多尺度逐级增强不同细粒度区域特征,融合全局和局部注意力特征,强化上下文语义信息表征。ECC模块在通用语义特征的通道维度上进行自适应校准,融合了通道注意力;FFA模块将多尺度区域特征级联互补,产生富含图像构成和空间位置信息的特征表示;CAF模块模拟人眼观看图像的规律,从不同方向、不同尺度显式编码图像空间不同像素块之间的记忆上下文关系;此外,定义了多项损失函数以指导模型训练,进行多任务监督学习。结果在3个数据集上与最新的6种方法进行对比实验,本文方法优于现有的自动裁图方法,在最新裁图数据集GAICD(grid anchor based image cropping database)上,斯皮尔曼相关性和皮尔森相关性指标分别提升了2.0%和1.9%,其他最佳回报率指标最高提升了4.1%。在ICDB(image cropping database)和FCDB(flickr cropping database)上的跨数据集测试结果进一步表明了本文提出的DAIC-Net的泛化性能。此外,消融实验验证了各模块的有效性,用户主观实验及定性分析也表明DAIC-Net能裁剪出视觉效果更佳的裁图结果。结论本文提出的DAIC-Net在GAICD数据集上多种评价指标均取得最优的预测结果,在ICDB和FCDB测试集上展现出较强的泛化能力,能有效提升裁图效果。