基于高斯拉普拉斯算子的多聚焦图像融合

多聚焦图像融合利用图像众多互补信息,获取清晰的融合图像。为了解决基于变换域和空域方法中易丢失信息及时间复杂度高的问题,提出基于高斯拉普拉斯算子(LOG)的多聚焦图像融合算法。利用高斯拉普拉斯算子对原始图像进行掩膜卷积,取其绝对值得到相应原始图像的聚焦程度度量图;用滑动窗口技术,分别对每个度量图进行比较,窗口内和值大的视为聚焦,相应得分图加1,通过得分图与一定策略得到决策图;通过决策图对原始图像加权得到融合图像。从多聚焦图像公开数据库进行实验,LOG平均融合结果指标PSNR、MI、Q~(AB/F)为28.08、5.28、0.73,均高于算法MST-SR和CSR。     

医用眼睛图像中瞳孔特征值检测算法的研究

为医学上检测眼睛的需要,提出一种基于瞳孔灰度和几何特征运用数学形态学运算检测瞳孔特征值的算法.先根据瞳孔的灰度特点,用灰度投影方法确定出瞳孔的粗略中心点,以此为中心取一矩形窗口截取包含瞳孔的子图像.根据瞳孔近似圆形的几何特点,用圆盘形结构元素做重构开运算,消除光斑,运用形态学算子消除眼睫毛的干扰.通过边缘提取和圆的hough变换检测出瞳孔的边界点,获得瞳孔的特征值.试验结果表明,该算法能够有效地检测出红外和可见光眼睛图像中的瞳孔特征值,综合考虑了检测的精度和速度,满足医用眼睛图像检测的需要.     

基于LS-SVR的图像噪声去除算法研究

通过对最小二乘支持向量机(Least squares support vector regression, LS-SVR)滤波特性的分析, 给出了LS-SVR用于图像滤波的卷积模板构造方法, 解决了LS-SVR在应用中需要求解的问题, 在此基础上, 提出了基于LS-SVR的开关型椒盐噪声滤波算法. 滤波算法中以Maximum-minimum算子作为椒盐噪声检测器, 利用滤波窗口内非噪声点构成LS-SVR的输入数据, 使用事先构造出的LS-SVR滤波算子, 对滤波窗口进行简单的卷积运算, 实现了被椒盐噪声污染点数据的有效恢复. 实验表明, 本文提出的方法具有较好的细节保护能力和较强的噪声去除能力.     

基于CNN和局部信息的脑血管图像分割方法

为实现脑血管的分割,提出了一种基于卷积神经网络和局部信息的多模态脑血管图像分割方法.方法 对原始脑部CT血管造影图像分别使用高斯滤波和拉普拉斯滤波去除噪声和做锐化处理,和原始图像分别以单个模态作为输入采用卷积神经网络对图像进行血管提取,得到三个模态的分割结果,然后采用加权平均法得到融合结果,最后采用基于局部信息的改进模糊C均值算法对融合结果进行分割得到最终结果.实验结果证明,上述算法比其它算法在脑血管分割上具有更高的有效性.     

基于双边缘检测的目标定位技术

为了提高目标定位的准确性,在传统的高斯差分边缘检测和Sobel算子边缘检测的基础上,提出将二者相结合的双边缘检测算法。对原始图像进行2次标准差不同的高斯模糊求高斯差分来代替原本边缘检测图像预处理中的高斯平滑过程;对实验结果较好的高斯差分参数,进行Sobel边缘检测并进行目标定位。实验结果表明,在算法时间开销增加较少的情况下,使用高斯差分算子与Sobel算子相结合进行边缘检测的结果优于Sobel算子单独检测,检测效果较好。     

基于近似高斯核显式描述的大规模SVM求解

大规模数据集上非线性支持向量机(support vector machine,SVM)的求解代价过高,然而对于线性SVM却存在高效求解算法.为了应用线性SVM高效求解算法求解非线性SVM,并保证非线性SVM的精确性,提出一种基于近似高斯核显式描述的大规模SVM求解方法.首先,定义近似高斯核并建立其与高斯核的关系,推导近似高斯核与高斯核的偏差上界.然后给出近似高斯核对应的再生核希尔伯特空间(reproducing kernel Hilbert space,RKHS)的显式描述,由此可精确刻画SVM解的结构,增强SVM方法的可解释性.最后显式地构造近似高斯核对应的特征映射,并将其作为线性SVM的输入,从而实现了用线性SVM算法高效求解大规模非线性SVM.实验结果表明,所提出的方法能提高非线性SVM的求解效率,并得到与标准非线性SVM相近的精确性.     

嵌入式实时Canny边缘检测

基于传统Canny算子,提出CY68013+FPGA的嵌入式硬件架构下的快速实时边缘检测算法。主机通过CY68013 USB接口芯片高速传输图像数据,FGPA从USB口采集图像信息,并使用优化的Canny算法实现边缘提取。该算法针对FPGA的特点进行了优化,包括用模板替代卷积、适当的近似变换、充分利用FPGA的并行特性等,在保持了Canny算子原有的定位准确、单边响应和信噪比高等优点的基础上,提高了边缘提取的计算速度,减小了计算延迟,提高了实时性。     

基于卷积金字塔的屏蔽泊松方程快速求解算法

屏蔽泊松方程在图像视频处理和图形学领域有着广泛应用,传统上一般借助离散余弦变换或快速傅里叶变换求解,计算复杂度为O(nlogn).提出了一种基于卷积金字塔的快速近似求解算法,将屏蔽泊松方程求解视为一个"大核"卷积过程,利用卷积金字塔,将"大核"卷积分解为若干个"小核"卷积,从而将计算复杂度改善至线性.实验发现,在图像无缝拼合和梯度域绘制的应用中,对于千万像素级别图像,所提算法能获得5～6倍的性能提升.进一步,屏蔽泊松方程求解也是许多图像迭代算法的中间步骤,以加权最小二乘图像光滑和基于总变差正则化的图像重建算法为例,运用所提算法,在视觉效果和均方误差上都有着很好的近似,在速度上有显著的提升.     

高斯模糊算法的改进及图像处理应用

高斯模糊通常的算法是使用高斯函数生成模糊模板,再对图像做卷积运算,得到模糊图像的效果,可作为一种图像滤波器应用于计算机视觉算法中的预处理。为降低高斯模板和卷积运算量,本文对高斯函数使用降低维数的方法进行改进,并在图像处理函数中验证了改进效果。     

基于高斯尺度空间的核相关滤波目标跟踪算法

核相关滤波（KCF）跟踪算法因其计算效率及速度的优势在目标跟踪领域受到了极大关注,但是该算法仍无法实现尺度自适应,针对此问题提出了一种基于高斯尺度空间的解决方法。根据KCF跟踪算法估计目标位置,将目标及其周围的区域作为搜索区域,并与高斯核卷积建立高斯尺度空间。对高斯尺度空间进行双线性插值,得到目标的多尺度估计图像。用平均绝对误差（MAD）作为匹配准则,将模板与图像匹配,从而得到目标的缩放比率。实验结果表明,与CSK算法、KCF算法等相比,所提出的基于高斯尺度空间的KCF在跟踪精确度上有了显著提升。     

结合超像素和直方图阈值的显著区域检测算法

由于现有显著性检测算法得到的显著图内容差异较大,因此设计一种具有普遍适用性的显著区域检测算法以依据不同稀疏度的显著图进行高效率的检测仍是一个具有挑战性的问题。提出结合超像素分割方法和直方图阈值化分割方法以在不同的显著图上进行显著区域检测并提高检测效率。利用超像素分割方法对原图像进行分割计算,计算每个超像素的平均显著度值,并用该平均值取代超像素内每个像素的原像素值更新显著图,利用新显著图的直方图将显著图二值化以确定显著目标,利用一覆盖显著目标的最小矩形区域表示检测得到的显著区域。实验结果表明,在不同的显著图上,所提算法能有效检测显著区域,在检测效果的客观度量指标和时间性能指标上均优于现有算法。     

改进的Fast-CNN模型在绝缘子特征检测中的研究

针对目前电网巡检系统中采用红外成像检测绝缘子串特征的效果受环境影响，提出联合显著区域和Fast-CNN网络（改进后的卷积神经网络）用于绝缘子特征检测研究。显著区域检测首先采用超像素描述各区域位置的整体信息；然后基于各超像素的特征协方差信息计算各超像素的显著度得到大致显著区域；再通过区域模块化和局部复杂度对比提取显著特征，同时将2种方法提取的显著特征分别输入改进后的Fast-CNN网络进行显著区域检测，同时引入动态自适应池化模型和余弦窗处理中间层，最后通过多次迭代训练得到绝缘子特征，避免CNN模型耗时的全图搜索。将本文算法在红外图像库中进行测试，本文算法的F-Measure以及平均误差MAE均优于当前流行算法。     

Operator context scanning to support high segmentation rates for real time license plate recognition

Introducing high definition videos and images in object recognition has provided new possibilities in the field of intelligent image processing and pattern recognition. However, due to the large amount of information that needs to be processed, the computational costs are high, making the HD systems slow. To this end, a novel algorithm applied to sliding window analysis, namely Operator Context Scanning (OCS), is proposed and tested on the license plate detection module of a License Plate Recognition (LPR) system. In the LPR system, the OCS algorithm is applied on the Sliding Concentric Windows pixel operator and has been found to improve the LPR system’s performance in terms of speed by rapidly scanning input images focusing only on regions of interest, while at the same time it does not reduce the system effectiveness. Additionally, a novel characteristic is presented, namely, the context of the image based on a sliding windows operator. This characteristic helps to quickly categorize the environmental conditions upon which the input image was taken. The algorithm is tested on a data set that includes images of various resolutions, acquired under a variety of environmental conditions.     

中心矩形构图先验的显著目标检测

目的 许多显著目标检测算法侧重从背景角度进行显著性检测,而从前景角度和空间角度进行显著性检测的算法较少,为了解决这个问题,提出了一种基于中心矩形构图先验的显著目标检测算法。方法 假定目标分布在中心矩形构图线附近。首先,对图像进行超像素分割并构造闭环图;其次,提取中心矩形构图线上的超像素特征,并进行流形排序,获取初始显著值;然后,通过基于中心矩形构图线获取的初始显著值确定中心矩形构图交点显著值和紧凑性关系显著值;最后,融合三者获得最终的中心矩形构图先验显著图。结果 通过MSRA-1000,CSSD,ECSSD,THUS-10000数据集对比验证了中心矩形构图先验算法有较高的准确度和最高的F-measure值,整体效果上优于目前先进的几种算法。且处理单幅图像的平均时间为0.673 s,相比与其他算法也有较大优势。结论 从前景角度和空间角度考虑的中心矩形构图先验的显著目标检测算法相比于传统的算法更加具有鲁棒性,无论图像是复杂的还是简单的,都取得很好的检测效果,充分说明算法的有效性。     

Performance enhancement of salient object detection using superpixel based Gaussian mixture model

Humans possess an intelligent system which effortlessly detect salient objects with high accuracy in real-time. It is a challenge to develop a computational model which can mimic human behavior such that the model achieves better detection accuracy and takes less computation time. So far the research community have suggested models which achieve better detection accuracy but at the cost of computation time and vice versa. In this paper, we attempted to realize a model that takes less computational time and simultaneously achieves higher detection accuracy. In the proposed model the original image is divided into m superpixels using SLIC superpixels algorithm and then these superpixels are clustered into k regions using k-means algorithm. Thereafter the result of the k-means clustering is used to build Gaussian mixture model whose parameters are refined using Expectation-Maximization algorithm. Finally the spatial variance of the clusters is computed and a center-weighted saliency map is computed. The performance of the proposed model and seventeen related models is evaluated both qualitatively and quantitatively on seven publicly available datasets. Experimental results show that the proposed model outperforms the existing models in terms of precision, recall and F -measure on all the seven datasets and in terms of area under curve on four datasets. Also, the proposed model takes less computation time in comparison to many methods.

     

基于改进显著图和局部特征匹配的copy-move窜改检测

检测整幅窜改图像的方法增加了许多非必要的计算量,为了降低计算复杂度和进一步提高检测精确率,提出了一种基于改进显著图和局部特征匹配的copy-move窜改检测方法。首先,结合图像梯度改进显著图,分离出包含图像高纹理信息的局部显著区域;其次,只对该局部区域采用SIFT(scale invariant feature transform)算法提取特征点;然后,对显著性小的图像采用密度聚类和二阶段匹配策略,对显著性大的图像采用超像素分割和显著块特征匹配的策略;最后,结合PSNR和形态学操作来定位窜改区域。在两个公开数据集上进行实验,该方法的平均检测时间小于10 s,平均检测精确率大于97%,均优于所对比的方法。实验结果表明,该方法能够大幅缩减检测时间、有效提高检测精确率,并且对几何变换和后处理操作也都具有较好的鲁棒性。     

Accurate image segmentation using Gaussian mixture model with saliency map

Gaussian mixture model (GMM) is a flexible tool for image segmentation and image classification. However, one main limitation of GMM is that it does not consider spatial information. Some authors introduced global spatial information from neighbor pixels into GMM without taking the image content into account. The technique of saliency map, which is based on the human visual system, enhances the image regions with high perceptive information. In this paper, we propose a new model, which incorporates the image content-based spatial information extracted from saliency map into the conventional GMM. The proposed method has several advantages: It is easy to implement into the expectation–maximization algorithm for parameters estimation, and therefore, there is only little impact in computational cost. Experimental results performed on the public Berkeley database show that the proposed method outperforms the state-of-the-art methods in terms of accuracy and computational time.     

基于显著性密度修正的均值漂移分割算法

针对固定空间和色彩带宽的均值漂移分割算法无法解决的错分割问题,提出一种基于显著性特征进行密度修正的均值漂移分割算法。首先基于密度估计的主颜色量化结果计算区域视觉显著性;其次,将区域视觉显著性融合像素级显著性作为色彩特征空间聚类的密度修正因子,将密度修正后的融合图像作为输入执行均值漂移分割;最后进行小区域合并获得最终分割结果。实验结果显示,所提分割算法在四种尺度上的真实边界准确率和召回率平均值达到0.64和0.78,与其他方法相比,分割精度有显著的提高;同时,在视觉上有效提高了目标完整性,增强了自然图像中目标分割的鲁棒性。     

一种基于物体的视觉注意计算模型

为解决基于空间的视觉注意计算模型存在的注意目标不完整、容易转移到无意义区域等问题,提出一种结合空间显著性的基于物体的视觉注意计算模型。检测图像的边缘信息,根据空间视觉显著性度量结果,提取显著值高的封闭边缘,得到感知物体的轮廓。根据各感知物体的大小、位置和显著程度计算其注意度。注意焦点按照注意度递减的顺序在各感知物体之间进行转移。在多幅自然图像上进行实验验证,实验结果表明该模型具有和人类视觉特性相符合的注意效果。     

结合显著性的主动轮廓图像分割

传统的主动轮廓方法无法突出分割区域的显著性,同时在由显著性检测算法所得到的显著图中目标具有较高的信噪比,因此提出结合显著性的主动轮廓图像分割。通过线性光谱聚类分割得到超像素,以超像素为处理单位利用基于图论的流形排序算法获得较好的显著图;将高斯混合模型引入到主动轮廓的曲线演化过程中,计算曲线内外的平均灰度值,从而通过高斯混合模型和显著性信息得到了新的主动轮廓能量方程,并运用水平集方法指导分割,获得最终的分割结果。实验结果表明,提出的图像分割方法可以对图像进行快速和有效的分割。