基于视觉显著图的车牌定位算法

本文基于视觉显著图提出了一种新的车牌定位算法。首先利用自底向上的视觉注意模型对输入的彩色图片分别提取出强度、车牌颜色、车牌边框方向三类特征图;然后将特征图整合成视觉显著图,并对视觉显著图进行二值化,得到车牌的候选区域;最后结合输入图片水平方向上的边缘信息,以及车牌的长宽比例、跳变次数等特征,准确提取车牌区域。实验证明,此算法能大量地减少背景环境对定位所带来的伪车牌个数,有很强的环境适应性和抗噪能力,具有较高的定位率。

基于视觉显著图的图像融合方法

基于图像的不同视觉特征,构造各源图像的视觉显著图,提出一种基于视觉显著图的多尺度图像融合算法低频子带融合规则,构建了一种新的多尺度图像融合方法。结合àtrous小波和非下采样轮廓波变换(Non subsampled contourlet transform,NSCT),对多传感器图像和多聚焦图像的融合实验表明,应用本文方法所得的融合图像,无论是视觉效果还是客观评价得分均优于基于平均法或神经网络选择低频系数的融合方法。

基于视觉显著图的彩色图像检索

为提高图像检索效率,提出一种基于视觉显著图的彩色图像检索方法。利用视觉显著图去除原图中与检索任务无关的背景信息,保留用户感兴趣的图像区域信息,采用小波域的BDIP-BVLC方法提取图像特征,并引入二次查询度量策略进行距离度量。实验结果表明,与基于显著性加权的检索方法相比,该方法的平均查准率较高。

基于视觉显著图的物体检测

提出了一种基于视觉显著图的显著物体检测方法。对自底向上视觉显著图计算模型进行了改进,首先对输入的彩色图片提取强度、颜色、方向三类特征金字塔;增加了轮廓弯曲度的检测,目的是使显著图形状更逼近物体;然后采用"中心—周围"算法得到三类特征图,经归一化后线性合并成最终的视觉显著图;在得到的显著图的基础上,用区域生长算法进行分割,分割的目的是为了能更显著地突出物体的大致轮廓,也减小了物体周围像素对物体的影响,分割后得到阈值化的视觉显著图。最后,对阈值化的显著图进行有效子窗口搜索,从而检测得到显著物体的位置。实验结果表明了所提方法的有效性。

基于显著性分析的立体图像视觉舒适度预测

分析了传统的基于全局视差特性的像视觉舒适度评价模型的不足,提出了一种基于显著性分析的立体图像视觉舒适度客观预测模型。首先,根据人眼的立体视觉注意力机制,利用协方差矩阵和Sigma特征集分别计算得到图像显著图和深度显著图,并组合得到立体显著图;然后,利用立体显著图加权得到立体图像视觉舒适度感知特征;最后,通过支持向量回归构造视觉舒适度预测函数,建立视觉舒适度感知特征和主观评价值之间的关系模型,从而预测得到立体图像视觉舒适度客观评价值。实验结果表明,本文评价方法的Pearson线性相关系数值达到0.79,Spearman等级相关系数值达到0.81,表明提出的模型更加符合人眼视觉特性,得到的客观评价值与主观感知具有较高的一致性。

基于视觉检测的红外与可见光图像区域匹配研究

为了增强归一化区域形状特征提取的稳定性,提升图像匹配效果。研究基于视觉检测的红外与可见光图像区域匹配方法。利用视觉显著性检测方法,获取红外与可见光图像的视觉显著图;通过直方图均衡化与优化配比灰度级动态范围方法,增强视觉显著图;采用仿射归一化方法,提取增强视觉显著图的归一化区域形状特征,匹配区域形状特征,完成红外与可见光图像区域匹配。实验证明:该方法可有效提升图像亮度和匹配红外与可见光图像,获取清晰度更佳的图像;在图像模糊与亮度等变化情况下,该方法边缘保持度与香农熵等分析指标值均与最高值较为接近,即图像匹配效果较优;在不同视角变化角度时,该方法归一化区域形状特征提取的稳定性较佳。

基于视觉显著性图的黄瓜霜霉病识别方法

为提高黄瓜霜霉病叶部病害机器自动识别的准确性和鲁棒性,提出了一种基于视觉显著性图的黄瓜叶部霜霉病识别方法。首先将图像从RGB色彩空间变换到HSV色彩空间中进行色彩修正,再变换回RGB空间利用R、G、B分量的线性组合生成视觉显著性图,最后通过对生成的视觉显著性图进行阈值分割以识别病害区域。利用从北京市北部郊区日光温室采集到的50幅具有典型霜霉病特征的黄瓜叶片原始图像进行实验,结果表明,该方法能较为准确地从叶部彩色图像中识别出霜霉病病斑区域,平均误分率为6.98%,优于K-means法(11.38%)和OTSU法(15.98%);平均运行时间0.661 4 s,少于K-means法的1.424 9 s;运行时间的均方根误差为0.051 5 s,鲁棒性优于K-means硬聚类算法。

基于视觉显著性的立体图像质量评价算法

研究表明视觉显著性与图像质量有着密切的关系,图像的失真会导致显著图发生变化。提出了基于显著性的全参考立体图像质量评估方法:利用视差图的前景与背景信息模拟人眼的深度感知特性,且立体显著图被用于计算局部质量,并被作为融合全局质量的加权因子。首先,将深度感知信息与彩色中央眼图的平面显著图融合得到立体图像显著图;然后融合中央眼图的显著性、梯度以及色度得到立体图像的质量得分。实验证明,提出的算法和主观质量得分有较好的一致性。

视觉选择性注意的认知神经机制与显著性计算模型

针对目前显著图计算复杂度高、分辨率低、对比度差等问题,受Stevens视觉认知模型和注意的神经控制回路的信息处理结构启发,提出一种基于选择性注意认知神经机制的视觉显著性计算模型和相关算法.该模型兼容了自上而下和自下而上两种视觉注意机制,可很好地模拟了人类的视觉注意系统.在显著性对象图像数据库进行的实验中,本模型在选择性注意的显著区提取精度、运行时间、噪声干扰抑制等方面都取得了令人满意的结果.

基于弱监督E2LSH和显著图加权的目标分类方法

在目标分类领域,当前主流的目标分类方法是基于视觉词典模型,而时间效率低、视觉单词同义性和歧义性及单词空间信息的缺失等问题严重制约了其分类性能。针对这些问题,该文提出一种基于弱监督的精确位置敏感哈希(E2LSH)和显著图加权的目标分类方法。首先,引入E2LSH算法对训练图像集的特征点聚类生成一组视觉词典,并提出一种弱监督策略对E2LSH中哈希函数的选取进行监督,以降低其随机性,提高视觉词典的区分性。然后,利用GBVS(Graph-Based Visual Saliency)显著度检测算法对图像进行显著度检测,并依据单词所处区域的显著度值为其分配权重;最后,利用显著图加权的视觉语言模型完成目标分类。在数据集Caltech-256和Pascal VOC2007上的实验结果表明,所提方法能够较好地提高词典生成效率,提高目标表达的分辨能力,其目标分类性能优于当前主流方法。

基于视觉显著性特征的自适应目标跟踪

为解决运动目标跟踪过程中候选目标信息描述单一的问题,提出一种基于视觉显著性特征融合的自适应目标跟踪算法。提取目标颜色、颜色的变化、强度和运动信息构建目标四元数模型,采用相位谱重建算法检测目标的显著图(Saliency Map),并根据特征相似度大小自适应调整权值,融合视觉显著性特征和颜色特征实现目标跟踪。实验结果表明,该算法能有效克服部分遮挡和背景融合干扰,从而实现复杂背景下目标的准确跟踪。

基于视觉显著性特征的粒子滤波跟踪算法

针对复杂环境下的运动目标跟踪问题,提出了一种基于视觉显著性特征的粒子滤波跟踪算法.该算法利用显著性检测算法对序列图片进行检测,生成视觉显著图,然后利用二阶自回归模型对目标状态进行预测,再根据中心强化-四周弱化的机制,生成最终显著图.利用视觉显著图中目标区域像素值较大的特点,提取视觉显著性特征,与颜色特征进行自适应融合,从而完成跟踪.实验结果表明,该算法能够有效应对跟踪过程中出现的场景光照变化和目标姿态变化等问题,具有较强的鲁棒性.

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。

基于多特征融合的图像主体显著性判断

从视觉角度来说,视觉显著性图像是指主体突出的图像,比起内容散乱的图像,此类图像往往更能吸引用户的关注,也更符合用户对图片检索的使用需求。提出了一种图像主体视觉显著性判断方法,采用"中心围绕"计算原则在多特征融合的基础上应用支持向量机训练,建立了一个分类模型,并且可以给出表征图像显著程度的得分。实验表明,该模型有较高的分类正确率,并且将该模型应用于图像检索重排序、图像上传自动审核等应用时,可以得到更接近人工操作的结果,降低人力资源成本。

基于直线邻近平行性和GBVS显著性的遥感图像机场目标检测

现有的全色遥感图像机场目标检测方法,对机场目标的直线特征利用得非常有限.提出一种同时利用自顶向下和自底向上显著性机制的新方法.利用线段检测算法检测直线,通过跑道线段间邻近、平行且长度范围一定的特点,提出了邻近平行性的概念,可以深度挖掘机场跑道几何关系的先验知识.同时使用简化的基于图的视觉显著性模型,提取自底向上的显著性.两者协同得到机场的候选位置.最后,通过尺度不变特征变换提取特征,利用支撑向量机进行判决,可以精确定位机场目标.在具有各种类型的机场图像数据库上的实验结果表明,相对于其他方法,所提议算法具有速度快、识别率高、虚警率低的优势,同时对于复杂背景具有更强的鲁棒性.

融合独立分量分析和视觉显著性的烟雾分割检测算法

在烟雾前景分离中,针对传统高斯混合模型分离的前景仍存在大量噪声点的问题,将独立分量分析(ICA)应用于分离烟雾前景,对传统烟雾前景分离算法进行改进。算法通过ICA消除烟雾前景和背景间的二阶和高阶相关,降低非烟雾成分的干扰;并通过基于图的视觉显著性(GBVS)来缩减预判的烟雾前景区域,得到较为纯净的烟雾区域。实验结果表明,与基于混合高斯模型的烟雾检测算法相比,该算法提取的烟雾区域小而集中,主观视觉评价以及客观指标均显示算法的识别效果更优。

基于贝叶斯理论和统计学习的视觉显著性检测

图像处理技术依赖于高质量的视觉显著图才能获得较好的处理结果,现有的视觉显著性检测方法通常只能检测得到粗糙的视觉显著性属性图,严重影响了图像处理的最终效果。为此,提出一种采用贝叶斯理论和统计学习的视觉显著性检测方法来检测图像的视觉显著性属性。该方法基于贝叶斯理论的静态图像的自上而下的显著性和整体显著性,将自上而下的知识和由下向上的显著性进行结合;针对特征整合问题,利用线性模型的加权线性组合方法和正规化神经网络相结合的非线性加权方法来研究与所有因素相关的权值参数。根据自下而上的视觉显著性模型在两个标准数据集中采用ROC曲线来进行定量评价,结果表明非线性组合效果优于线性组合。

基于随机置乱的内容感知图像缩放算法

针对非等比例缩放算法中线裁剪技术动态规划的复杂性,提出基于随机置乱的内容感知图像缩放算法。该算法利用视觉显著图随机重置能量序列的方式,使得在保护主体区域不被破坏的情况下,避免过度删除非重要区域所造成的图像局部失真。仿真结果表明,与线裁剪算法相比,本文算法在有效保护图像内容的同时,显著提高缩放速度,并能避免图像失真。

基于潜在低秩表示与复合滤波的红外与弱可见光增强图像融合方法

针对传统红外与弱可见光图像融合算法中存在的亮度与对比度低、细节轮廓信息缺失、可视性差等问题,提出一种基于潜在低秩表示与复合滤波的红外与弱可见光增强图像融合方法.该方法首先利用改进的高动态范围压缩增强方法增强可见光图像提高亮度;然后利用基于潜在低秩表示与复合滤波的分解方法分别对红外与增强后的弱可见光图像进行分解,得到相应的低频和高频层;再分别使用改进的对比度增强视觉显著图融合方法与改进的加权最小二乘优化融合方法对得到的低频和高频层进行融合;最后将得到的低频和高频融合层进行线性叠加得到最终的融合图像.与其他方法的对比实验结果表明,用该方法得到的融合图像细节信息丰富,清晰度高,具有良好的可视性.

基于滚动引导滤波的红外与可见光图像融合

为提高融合图像更加适应人类视觉感知,并解决可见光图像受光线、天气等影响而导致融合效果不佳的问题,本文提出了一种基于滚动引导滤波的可见光与红外图像融合方法。首先,利用引导滤波对可见光图像的内容进行增强,然后,利用滚动引导滤波将可见光和红外图像进行多尺度分解为小尺度层、大尺度层和基础层。在大尺度层的信息合成的过程中利用加权最小二乘法融合规则解决融合时可见光与红外图像不同特征带来的困扰,提高融合图像的视觉效果;在基础层的融合过程中采用优化的视觉显著图融合规则,减少对比度损失。最后,将大尺度层、小尺度层与基础层合并为融合后的图像。实验结果表明所给方法在提高视觉感知、细节处理、边缘保护等方面都有良好的效果。