基于GBVS改进的Object Bank场景分类方法

Object Bank(OB)是一种基于物体的高层语义图像特征表示,该方法所提取的高层特征具有较丰富的场景语义。然而,该方法所采用的物体检测器检测物体的准确率并不高,从而影响高层特征的提取效果。针对OB方法中物体检测器准确率较低的缺点,提出一种基于Graph-Based Visual Saliency(GBVS)显著性分析算法改进的OB方法。先通过GBVS方法对图像进行显著性处理,计算图像中的显著性区域,然后结合OB方法中的物体检测器对显著区域进行检测,提取更具有场景语义的高层特征。实验结果表明,该方法突出了具有显著性的物体,提高了OB方法中目标检测器的准确率,在OB方法的基础上提取出了更具有显著性的图像特征,并在分类准确率上比OB方法提高了4%。

基于GBVS模型和引导滤波的遥感图像融合

针对全色和多光谱图像融合问题,提出了一种利用基于图形的视觉显著性(GBVS)模型和引导滤波的遥感图像融合方法。首先,对多光谱图像进行亮度?色度?饱和度(IHS)变换,利用简化GBVS模型对显著图比较,得到初始权重图;然后,采用引导滤波优化初始权重图,分别融合2种图像的平滑信息和细节信息;最后,经IHS逆变换后得到最终的融合结果。试验结果表明,与5种遥感图像融合方法相比,该方法得到的融合结果在主观视觉效果及客观定量评价指标上优于其他方法,且运行时间至少缩短了50%。

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。

复杂环境下基于视觉显著性的人脸目标检测

当前复杂环境下人脸识别因受目标背景杂乱等因素影响,分类效果不理想。针对此问题,提出了基于视觉显著性的人脸目标检测方法,利用基于图论的视觉显著性算法(Graph-Based Visual Saliency,GBVS)提取复杂环境中的人脸目标的显著图,对显著图进行阈值分割和形态学操作得到二值人脸目标区域,以区域质心为中心,以区域边缘到质心的最小距离为边长,截取图像中的准确人脸区域,实现复杂环境下的人脸目标检测。在LFW数据库上的实验结果表明,所提算法能够准确地完成"抠图"的任务,具有较为理想的人脸检测效果,因算法实现过程无需人工干预,可有效摒除杂乱背景干扰,且提高了检测速度,实现了无监督的人脸检测,为智能化人脸识别提供了理论研究基础。

基于显著区域提取的红外图像舰船目标检测

针对复杂海面背景下红外图像舰船目标由于灰度不均匀、海杂波干扰大等因素造成的自动检测虚警率高、准确率低的问题,提出了一种显著区域提取和目标精确分割相结合的红外舰船目标检测方法。首先,利用基于图论的视觉显著性(Graph-based Visual Saliency,GBVS)模型计算待检测图像的显著图,使得目标区域信息增强;其次,结合舰船目标先验信息(长短轴、面积等),利用多级阈值划分算法提取关注的显著区域,并确定原图中候选目标区域;最后,利用空间约束模糊C均值(Fuzzy C-Means,FCM)算法对候选区域进行分割,结合目标先验知识对分割区域筛选并输出目标位置。所提方法在公开数据集IRShips上与相关方法进行比较,结果表明,相比直接进行全图目标搜索的方法,所提方法不仅准确率高、执行速度快,且检测目标的位置更加精确。