基于视觉显著性的场景目标识别

场景目标识别是场景理解的重要内容之一,提出一种新颖的基于视觉显著性的场景目标识别方法。该方法受生物视觉认知机理的启发,利用视觉显著机制来凸显场景中的感兴趣区域。首先利用GBVS模型对图像数据进行高效筛选,获得特定感兴趣的显著性区域。然后基于图分割理论(Graph Cuts Theory)的Grab Cut算法被用于提取图像中的显著性目标。最后运用SURF特征描述目标对象,通过SURF特征的学习产生目标物体的Bo VW视觉词包,运用视觉词包的SVM分类匹配实现目标对象的图像特征与语义描述之间的知识映射。麻省理工学院LabelMe图像库的实验测试结果表明所述方法具有较高的识别率。

基于内容的图像检索方法研究

该文采用了BoVW(Bag of Visual Word)视觉词袋模型进行基于内容的图像检索,主要研究了视觉词袋模型的各个过程常用的方法,选择各个过程中目前比较先进的方法,最后进行检索实验,计算平均查准率.结果表明,使用视觉词袋模型进行图像检索具有较好的检索效果.

子区域视觉短语稀疏编码的图像检索

针对BOVW模型忽略图像特征空间排列导致量化误差较大的缺点,利用角点和特征点对图像进行区域分割,结合区域的空间排列信息,提出一种多通道融合的图像检索方法。其主要思想是将子区域编码和特征空间排列直方图结合组建视觉短语,这种构造方式在减少编码误差的同时还能更好地保留局部空间信息。首先,利用稀疏编码保留局部信息的高效性对提取的子区域进行编码;其次,利用特征的空间位置关系,计算子区域内的特征空间排列直方图;利用区域编码和特征排列直方图构建视觉短语;最后,结合BOVW模型的鲁棒性,统计视觉短语直方图用于图像检索。实验结果表明,该检索方法不仅比BOVW和SPMBOVM有更好的检索准确率,而且其编码过程稳定,误差较小。

基于Surf特征的色情图像识别方法的设计与实现

本文介绍了一种基于Surf特征的色情图像的识别方法。全文主要分为两个部分:视觉词典的训练;图片过滤。共提出了2个创新点,构建基于Bo VW模型的词典和纹理、肤色比例等多种方法结合的色情图片过滤方法。实验结果表明了该基于Surf特征的色情图像识别方法具有较高的正检率和较低的漏检率。

基于BOVW和SVM的城市土地类型遥感变化监测研究

【目的】研究城市土地类型的变化,分析城市进化过程对环境气候、城市发展以及政府决策产生的影响。【方法】以15~30 m分辨率的NWPU-RESISC45标准数据集和哈尔滨城区Landsat 8遥感影像为实验数据,制作了包含城市建筑及道路、水体、植被、裸地4种土地类型的遥感影像数据集。在实验数据中加入纹理信息,提取SIFT(scale-invariant feature transform, SIFT)特征点。通过K-means聚类算法获取包含大量语义信息的视觉词典,从而构造视觉词袋模型(bag of visual words, BOVW)。然后将BOVW提取的特征点与支持向量机(support vector machine, SVM)分类器结合,对制作的数据集进行分类。最后,利用2013年、2019年同一季节Landsat 8影像,以哈尔滨市松北区为例计算各土地类型的位置及面积变化信息。【结果】基于BOVW和SVM的分类结果与5种单一分类模型和3种“特征提取+分类器”模型对比,发现使用尺寸为550个词汇的视觉词典时,本研究模型的分类与变化监测精确度分别为79.40%、79.29%。结合哈尔滨城市具体数据的监测结果表明,在2013—2019年间,哈尔滨市松北区城市建筑及道路与植被类型的覆盖面积减少明显,水体与裸地类型的覆盖面积增加,这一变化情况符合近年来哈尔滨市政府陆续推出的环境保护五年规划,以及其总体规划中合理控制城市规模的相关政策要求。【结论】对于时间跨度长、分辨率不高的Landsat遥感影像,BOVW和SVM的变化监测模型在土地类型变化监测方面效果良好,在一定程度上可提高分类与变化监测的精度,为土地类型变化监测提供借鉴。