显著性特征融合的热红外图像光伏组件热斑检测

利用无人机搭载热成像仪对光伏组件的巡检有着很大的应用价值,但热红外图像往往具有图像特征对比度较弱、边缘不清晰的特点,影响了热斑的检测精度。因此,提出通过显著图像对光伏组件的热红外图像进行增强,作为对缺陷目标检测的注意力机制,以此来提高光伏组件热斑检测的精度。并针对YOLOv5在光伏航拍红外图像上测精度不高的问题,设计了基于注意力机制的CT-YOLOv5网络模型。首先通过U2-Net生成显著图像,再采用替换图像RGB中某一通道的融合方式将显著图与热红外图像融合,并在设计的CT-YOLOv5网络模型上验证其检测性能。实验表明使用显著图与红外图像融合的方式对光伏组件热斑检测精度有明显提升。

基于显著图融合的高分四号卫星光学遥感图像多运动舰船检测方法

高分四号(GF-4)卫星是目前世界上分辨率最高的静止轨道光学遥感卫星,它具有高时间分辨率、高空间分辨率和大成像幅宽等优点,可对指定区域进行连续观测。提出一种适用于GF-4卫星光学遥感图像的多运动舰船检测方法。首先,对遥感图像进行中值滤波去噪和非线性灰度拉伸;然后,通过谱残差法提取显著图;最后,使用基于加权Dempster-Shafer证据理论的图像融合方法对显著图进行融合处理后,进行舰船检测。GF-4卫星遥感图像真实数据的实验表明,本文所提方法能够对GF-4卫星光学遥感图像进行快速、准确的多运动舰船检测。

基于空频域结合的显著目标检测

为了能更准确地检测出图像中的各种显著性目标,针对单一域的显著性目标检测方法容易造成有用信息遗失的缺点,提出一种将图像频域的全局信息与空域的局部信息结合获得更全面的显著性目标信息的新模型。通过融合两个域中的有用信息,将空域中的局部信息与频域中的全局信息进行信息的优势互补。此模型不但可以加强复杂背景下显著区域部分,而且可以有效抑制重复的非显著性部分。实验表明该模型方法相对于其它单一域的模型能较好的提取显著性目标区域,与单一的空频域模型比较,在准确率上相对于空域模型提高9.5%,相对于频域模型提高了6.3%。

自底向上的显著性目标检测研究综述

文中对显著性目标检测(Salient Object Detection)领域内的国内外发展现状进行了综述。首先,介绍了显著性目标检测的研究背景和发展历程;然后,根据各个模型所使用特征的不同,分别从手工设计特征和深度学习特征这两个方面对显著性计算进行综述,在论述基于手工设计特征的显著性计算的研究进展时,将其细分为基于对比度先验的显著性计算、基于前景先验的显著性计算以及基于背景先验的显著性计算3个子类,并对每个类别中的若干典型算法的建模思路进行了描述;最后,进行分析与总结,并指出显著性目标检测领域仍需解决的问题及未来的研究方向。

基于先验信息的显著性检测算法研究

为了使图像显著区域的检测更加完整,结合前景和背景信息研究了一种基于先验信息的显著性检测算法。首先在超像素的基础上,利用颜色增强Harris角点算法构造凸包,根据凸包内外超像素间的颜色、空间位置差异,得到基于凸包先验的显著图;其次根据图像四周边界信息获取图像边界超像素的背景种子,利用前景与背景超像素的的颜色、空间位置差异,得到基于图像四周背景种子的显著图;最终结果由上述得到的两个显著图线性加权融合得到。结果表明,在可视化结果的完整性及各个评价指标方面优于现有公开的经典算法。可见,本文算法具有一定的可行性。