基于对比度与最小凸包的显著性区域检测算法

显著性检测算法常通过计算像素或像素块之间的对比度来确定显著性,但是图像背景中经常会出现特殊区域与图像其他部分也有较大的对比度,导致基于对比度的显著性检测算法无法将这部分背景区域与主要目标区分开.提出一种基于对比度与最小凸包的显著性区域检测算法.以超像素作为基本计算单位,使用Wasserstein距离衡量超像素之间的差异,通过计算超像素间的全局与局部对比度得到对比度显著图;找出图像中特征点Harris角点的最小凸包,以最小凸包几何中心为中心点,根据每个超像素与中心点的距离计算中心显著图;最后将对比度显著图与中心显著图相结合得到最终的显著图,这种算法可以有效地将背景中具有高对比度的区域区分开.在Corel和MSRA图像数据库上进行仿真实验,结果表明该文所提算法对显著区域检测的查准率、查全率等仿真评价指标相对于传统算法都有明显的提升.     

结合高斯多尺度变换和颜色复杂度计算的显著区域检测

提出一种结合全局和局部对比度的数据驱动自底向上的视觉计算模型,采用高斯多尺度变换和颜色复杂度计算相结合的方法检测图像的显著区域。图像经过高斯金子塔多尺度变换后,用改进的冗余计算方法,在频域中消除全局冗余信息,初步将大范围的目标从周围环境中分离出来,并均匀地突显目标,利用多尺度特征子图点对点平方融合使全局显著区域显著度进一步增强,背景冗余信息进一步得到消弱;同时采用改进的像素颜色复杂度计算方法得到局部显著图,最后用最大类间方差法(Ostu)分割出图像中的显著区域。在多种自然图像上进行实验,实验结果表明,该方法能迅速检测出与人类视觉结果一致的显著区域。     

基于SLIC超像素的全局对比度显著性区域检测

提出了一种基于SLIC超像素的全局对比度的显著性区域检测算法。首先在图像的预处理阶段,为了降低计算的复杂度,采用SLIC超像素分割算法来提取给定图像的超像素。然后在CIELAB颜色空间上,同时考虑图像的全局对比度特征和LBP纹理特征,并利用MKB方法将这两个特征结合起来计算得到显著图。最后,通过滤波器进一步提高检测效果以便于优化最终的显著性图。在MSRA10K基准数据库上与常用的几种方法进行定性和定量比较。实验结果表明,文中所提算法的性能均高于其他方法。     

窗口融合特征对比度的光学遥感目标检测

提出了一种基于窗口融合特征对比度的光学遥感目标检测方法。首先,在训练图像上生成大量不同尺寸的滑动窗,计算了各窗口的多尺度显著度、仿射协变区域对比度、边缘密度对比度以及超像素完整度4项特征分值,在确认集上基于窗口重合度和后验概率最大化学习各个特征的阈值参数。然后,采用Naive Bayes框架进行特征融合,并训练分类器。在目标检测阶段首先计算测试图像中各窗口的多尺度显著度分值,初步筛选出显著度高且符合待检测目标尺寸比例的部分窗口。然后计算初选窗口集的其余3项特征,再根据训练好的分类模型计算各个窗口的后验概率。最后,挑选出局部高分值的候选区域并进行判断合并,得到最终目标检测结果。针对飞机、油罐、舰船等3类遥感目标的检测结果显示:4类特征在单独描述3类目标时表现出的性能各有差异,最高检测准确率为74.21%~80.32%,而融合方案能够综合考虑目标自身特点,准确率提高至80.78~87.30%。与固定数量滑动窗方法相比,准确率从约80%提高到约85%,虚警率从20%左右降低为3%左右。最终高分值区域数降低约90%,测试时间减少约25%。得到的结果显示该方法大大提高了目标检测精度和算法效率。     

基于对象性和多层线性模型的协同显著性检测

针对背景环境复杂的图像组中协同显著性检测的共显性目标混乱不一致、准确率低的问题,提出了一种基于对象性和多层线性模型的图像协同显著性检测方法。首先通过显著性先验和对象性概率加权的背景引导因子BGO计算图像间显著性引导传播的显著值;然后设计了一种局部区域特征计算图像内显著值,并使用图像的hu矩的零、一阶和二阶矩对两阶段显著值进行整合;最后通过多层线性模型自适应地融合各个显著图得到最终结果。实验结果表明:本文算法分别在iCoseg和MSRC两个数据集上的平均精度达到了87.80%和83.50%,在其它实验指标上的评估结果也有明显提高,增强了算法的适应能力。     

结合多尺度视觉显著性的舰船目标检测

光学遥感图像海面舰船目标检测易受云雾,海岛,海杂波等复杂背景的干扰。本文提出了一种适用于复杂背景的舰船目标检测方法。首先为了克服目标尺度多变问题,利用视觉显著性生成多尺度显著图,然后使用基尼指数自适应选择最优显著图。考虑到全局阈值分割算法带来的漏检测问题,提出一种新的方案来分离目标和背景像素点。利用图像膨胀原理获取显著图的局部极大值点,然后使用k-means算法判断极大值点属于目标像素点还是背景像素点。接着对目标点邻近区域进行精细分割。最后引入基于径向梯度变换的旋转不变特征来进一步剔除虚警。实验结果表明,该算法能够成功检测出不同尺寸和方向的舰船目标,有效克服复杂背景的干扰。算法检测正确率93%,虚警率4%,优于其他舰船检测方法。     

采用响应图置信区域自适应特征融合的相关滤波跟踪

针对固定特征融合权重的相关滤波跟踪算法在光照变化、目标形变下跟踪失败的问题,提出了采用响应图置信区域自适应特征融合的相关滤波跟踪算法以提高算法鲁棒性。首先,将响应图中高于响应图期望值的区域作为响应图置信区域,然后,根据HOG特征响应图置信区域计算出HOG特征响应图和颜色直方图特征响应图的融合权重,实现HOG和颜色直方图特征的自适应融合。仿真实验采用跟踪基准数据库(OTB-2015)中的100组视频序列进行实验,对比了5种流行的相关滤波跟踪算法。实验结果表明,本文算法的综合AUC和精度分别为0.609和0.814,尤其在光照环境下AUC和精度分别为0.655和0.847,相比Staple分别提升5.7%和5.6%。本文算法在光照和形变交叉环境下AUC达到0.681。在光照变化、目标形变、背景混乱、尺度变化等场景下,本文算法具备更优的跟踪性能。     

基于混合图上随机游走的视觉注意显著目标检测模型

目前的视觉显著性检测算法,主要依赖像素间的对比,缺乏从全局角度对显著目标进行分析理解。根据生物视觉注意机制,显著目标通常是显眼、紧凑和完整的,提出一种基于混合图上随机游走的显著目标检测算法,将视觉显著性检测公式化为马尔科夫随机游走问题。首先将输入图像进行分块,利用颜色特征距离和方向的空间分布和方向熵对比分别确定无向图和有向图的边权重,进而得到混合图;然后通过全连通图搜索提取全局特性,突出全局较孤立的区域;同时通过k-regular图搜索提取局部特性,增强局部较均匀的区域;最后结合全局特性和局部特性得到输入图像的显著图,从而确定感兴趣区域位置。实验结果表明,相比于其他两种具有代表性的算法,所提算法检测结果更加准确、合理,证明该方法合理可行。     

融合多层级特征的遥感图像地面弱小目标检测

为解决遥感图像地面弱小目标检测中弱小目标信息量少、信息真假混杂的难题,本文提出一种融合多层级特征的遥感图像地面弱小目标检测算法CC-YOLO。该算法首先利用深度卷积神经网络逐级对目标图像进行特征提取,得到高低层特征空间金字塔图;然后,对空间金字塔图进行跨层级通道特征融合,结合新增的位置注意力机制CA,分别沿两个空间方向聚合特征,保留弱小目标精确的位置信息;最后,在聚合后生成的双支路特征图上进行端到端的目标检测,联合多通道检测信息输出检测结果。为解决算法实验中图像数据匮乏的问题,构建了遥感图像地面弱小目标数据集GDSTD。实验结果表明,算法AP_0.5∶0.95达到42.3%,AP_0.5达到94.6%,检测速率FPS达到58.8帧/s,具有一定的鲁棒性和实时性。     

融合对比度和分布性的图像显著性区域检测

单独基于对比度的显著性检测方法由于忽略了特征的空间分布,且只在RGB空间或LAB空间下单独进行计算,故实验结果不理想。本文提出了结合RGB和LAB两种特征空间并融合了对比度和分布性的图像显著性区域检测算法。该算法首先提取图像分块在RGB空间和LAB空间下的原始特征并进行组合,在主成分分析（PCA）降维的基础上自动选择有效特征;然后计算图像分块的对比度和分布性,融合对比度特征和分布性特征实现对原始图像的显著性区域提取。实验结果显示,本文算法的平均准确率为0.821 7,平均召回率为0.692 5,综合指标F值达0.787 8。计算的显著性区域的效果比在RGB空间或LAB空间下单独基于对比度的计算方法有明显改善,相比其他检测方法更加准确,符合人眼的观测结果,均匀突出了显著性区域。     

纹理粗糙度在红外图像显著性检测中的应用

提出了基于纹理粗糙度的红外图像显著性检测算法,以解决红外图像对比度低,目标显著性检测难的问题。首先,研究了Tamura的粗糙度原理,对粗糙度进行分析和评价,提出了新的粗糙度计算方法。然后,将图像分解为超级像素集合,并计算超级像素的最大平均强度差;利用最大平均强度差定义超级像素的最佳尺度,作为纹理粗糙度的度量。最后,将超级像素区域均匀外延,利用粗糙度的局部对比度和灰度信息度量红外图像的显著性。通过实验验证了本文算法的有效性,结果表明:在10%的噪声水平下,本文粗糙度保持不变,粗糙度特征图一致性较好,而Tamura的粗糙度特征图中杂点明显增多。与其它显著性检测算法对比,本文算法击中率最高,为0.752。该算法挖掘了红外图像的纹理粗糙度特征,为红外图像显著性检测提供了新的特征选择。     

视觉显著目标的自适应分割

基于视觉注意模型和最大熵分割算法,提出了一种自适应显著目标分割方法来分离目标和复杂背景,以便快速准确地从场景图像中检测出显著目标。首先,通过颜色、强度、方向和局部能量4个特征通道获取图像的显著图;通过引入局部能量通道来更好地描述了显著目标的轮廓。然后,根据显著图中像素灰度的强弱构建不同的目标检测蒙板,将每个蒙板作用于原图像作为预分割的结果,再计算每个预分割图像的熵。最后,利用最大熵准则估计图像目标熵,根据预分割图像的熵和目标熵判断选取最优显著目标分割图像。实验结果表明：本文算法检测的显著目标更为完整,分割性能F-measure达到0.56,查全率和查准率分别为0.69和0.41,相对于传统方法更为有效准确,实现了在复杂背景下对显著目标的有效准确检测。     

元胞自动机多尺度优化的显著性细微区域检测

针对由于待检测目标局部区域显著性差异过大造成的细微区域检测失败问题,在贝叶斯理论框架下,提出一种基于元胞自动机多尺度优化的显著性检测方法。首先结合暗通道先验信息和区域对比度在同一张图片的5个超像素尺度空间内分别构建原始显著性图;接着,利用元胞自动机建立动态更新机制,通过影响因子矩阵和置信度矩阵优化每个元胞下一状态的影响力,获得对应5个优化显著性图;最后在基于贝叶斯理论的融合算法框架下得到最终的显著性图。在两个复杂度不同的标准图像数据库上将本文方法与10种主流显著性提取方法进行视觉效果和客观定量数据对比,结果显示,本文算法效果优于现有10种显著性提取方法,其中在公认最具挑战的DUT-OMRON数据库的综合指标F-measure值为0.631 4,平均绝对误差(MAE)为0.132 5,ROC曲线下面积(AUC)为0.892 8,表明本文算法具有较高的准确性和鲁棒性。     

移动相机下基于三维背景估计的运动目标检测

室内环境中的运动目标检测是计算机视觉领域的研究热点,而移动相机造成的动态背景是运动目标检测的难点。本文提出一种基于同步定位与地图创建(ORB-SLAM)三维背景估计的运动目标检测算法,首先使用移动相机遍历整个室内环境,采用ORB-SLAM技术建立当前全局环境的三维背景特征点云模型;然后基于局部视频建立局部三维特征点云,根据定位信息将当前局部三维特征点云与环境三维背景特征点云进行嵌入,基于环境背景信息,采用三维均值漂移(3DMS)算法,对局部三维特征点云进行前景特征点提取;运用深度卷积神经网络,对提取的前景特征点所在候选区域进行运动目标确认。通过多个室内场景的实际实验进行验证,结果表明本文方法具有较高的运动目标检测准确率和召回率,提出的运动目标检测算法充分利用了三维背景信息,采用深度卷积神经网络进行确认,有效地改善了检测的准确性和鲁棒性。     

复杂场景中基于变块差分的运动目标检测

针对复杂场景中包含的摄像机扫描运动、随机抖动和目标运动,提出一种基于帧间可变块差分的运动目标检测算法.首先,利用全局特征点估计运动参数对帧间背景进行补偿,提取图像的全局特征点并匹配,以特征点集的最小位置误差和作为目标进行迭代,获取误差不大于0.5 pixel的全局运动参数,并精确补偿当前帧实现背景校正.然后,利用可变块...     

基于改进多尺度分形特征的红外图像弱小目标检测

为提高红外图像弱小目标检测的准确率和实时性,在分析用于红外图像增强的分形参数K相关的多尺度分形特征(MFFK)基础上,提出了一种基于改进多尺度分形特征(IMFFK)的红外图像弱小目标检测算法。首先,将基于地毯覆盖法的分形维数计算公式代入MFFK计算公式,提出了一种改进多尺度分形特征(IMFFK)用于图像增强。其次,对IMFFK特征计算进行简化,采用自适应阈值分割得到感兴趣目标区域,提出了一种具有较高计算效率的红外图像弱小目标检测算法。最后,通过仿真图像分析了主要参数对图像增强和算法耗时的影响,采用红外真实图像进行了算法检测性能测试,并与当前基于局部对比度测度的目标检测算法进行了对比。实验结果表明,提出的算法虽然在一些检测场景具有较多虚警,但能同时适用于弱小目标和较大目标检测,且无论目标为亮目标或暗目标。提出算法对于低分辨率红外图像(320×240)检测接近30 frame/s。提出算法具有较强的适用性,能够检测出红外图像中具有较高局部对比度的目标。