显著性检测

摘要： 传统的模糊C均值聚类算法利用图像的灰度、颜色、纹理、强度等底层特征进行聚类,实现图像的分割,它容易受到噪声的影响,且计算量大,不能提供理想的彩色图像分割结果.针对这些问题,提出一种视觉显著性引导的模糊聚类图像分割方法.首先使用显著性检测对图像进行初始化分割,得到带有区域级标注信息的引导图,然后将引导图作为指导信息,引导模糊聚类算法对图像进行细分割.在公共数据集上的实验结果表明,本文方法与其他改进的FCM算法和深度网络分割模型相比,可以取得较好的分割效果,有效减少了分割时间.

摘要： 为有效解决舰船目标的检测与识别问题,提出一种基于显著性检测和Hu不变矩的红外舰船目标检测识别方法,首先使用中值滤波、维纳滤波及灰度非线性变换去除噪声,增强对比度,然后利用Itti算法模型进行显著性检测,针对检测分割后的舰船目标提取几何特征、灰度特征和Hu不变矩特征进行综合识别。经大量仿真实验证明,此方法具有较高的检测识别率和良好适应性,在复杂海天背景下能够快速有效地检测出舰船目标并实现准确识别。

摘要： 彩色深度(Red Green Blue Depth, RGBD)图像不仅包含红绿蓝三通道的颜色信息,还包含深度信息,因此能提供更全面的空间结构信息.近年来,随着RGBD图像的广泛应用,基于RGBD的图像显著性检测方法相继被提出.为了更好地解决弱监督图像显著性检测方法中的跨模态数据融合问题,本文提出一种基于图像分类的弱监督RGBD图像显著性检测方法.首先,本文通过基于梯度的类别响应机制生成初始类别响应图,同时使用传统的显著图检测算法生成初始显著图.然后,根据本文提出的基于深度图的优化策略将初始类别响应图和初始显著图融合形成伪标签.最后,通过本文提出的由加权交叉熵损失、条件随机场推理损失以及边缘损失构成的混合损失对网络模型进行训练.实验表明,本文提出的弱监督RGBD图像显著性检测方法具有先进的性能.

摘要： 堆石料的形状、尺寸以及级配等参数直接影响堆石坝的稳定性和抗渗性能。当前主要采用人工的方式筛分堆石料,效率低下;而传统的图像分割算法分割精度低,无法准确测量岩石的参数信息。针对这一问题,本文提出一种深度图像引导的岩石颗粒分割方法。首先对深度图像进行预处理,去除深度图像的噪声;然后提取深度图像与可见光图像的随机特征和显著性特征,并对随机特征进行多次抽样;最后根据多组随机特征和显著性特征得到多个分割预测结果,并选择最优的分割。实验结果表明,本文方法能够实现岩石颗粒的准确分割,并将其应用到岩石颗粒度评估的场景中,计算岩石颗粒参数信息。

摘要： 为解决基于背景先验的显著性检测算法在检测复杂背景图像时存在误检问题,提出多先验融合的显著性检测算法。首先,将图像分割成四种不同的超像素尺度,根据流形排序算法计算出不同尺度的边界显著图,并进行线性融合得到最终边界先验;其次,利用边界信息得到背景种子,进而利用距离和元胞自动机融合得到背景先验;然后通过颜色归一化处理,计算出颜色先验;最后,将三个先验图通过多元胞自动机模型得到最终显著图。在公开数据集MSRA1000、ECSSD和DUT-OMRON上与多种算法进行准确率和召回率对比,该算法有更好的表现。

摘要： 针对机械式和光电式方法检测钢丝绳缠绕状态存在受外部环境影响大、传感器安装工艺复杂且要求高、加装传感器系统安全风险增加等问题,提出了基于人工智能与数字图像处理技术的自动在线检测方法。首先,采用BASNet网络识别包含轮毂下边缘的显著性区域;然后,通过轮廓跟踪算法和霍夫变换检测目标边缘和基准边缘;最后,通过计算目标边缘和基准边缘的位置关系并与已有限制参数对比,判断钢丝绳缠绕状态。实验结果表明:该方法正确率可达95.86%,处理单张图像耗时约0.60 s,初步具备工程应用条件。

摘要： 目前各种显著性区域检测算法使用的训练数据大多源于一般性视觉注意过程,主要反映的是对图片中明暗变化信息的注意,没有专门针对图片的颜色信息获取训练数据,因此训练出的算法主要反映明暗信息变化以及形状等方面的显著性。然而,颜色为视觉提供了更多有用的信息,图片显著性检测算法应该也必须考虑颜色因素。针对此问题,设计颜色注意实验,通过实验获取训练数据,用于对PiCANet、PoolNet、U2-Net以及BASNet显著性检测深度学习模型进行训练与分析。结果显示,颜色信息的加入能够使算法获得更好的效果。对比不同算法,BASNet能够较好地检测图像颜色显著性区域。

摘要： 为了从光学遥感卫星图像中快速提取船舶目标显著性区域,同时为解决显著性数据集稀缺以及标注困难的问题,文中设计了一种多尺度全卷积神经网络,实现了基于眼动注视数据的船舶目标显著性图的生成,并针对遥感图像舰船检测任务,利用Google Earth采集包含舰船的高分辨率光学遥感图像,再使用TobiiProX3-120台式眼动仪构建舰船目标显著性检测数据集。实际眼动数据生成的真值图经过训练测试后发现,文中所提方法的陆地移动距离系数(EMD)达到0.003,从定性评价和定量评价上看,明显优于深度监督模型(DVA)等显著性检测模型。

摘要： 针对红外和可见光图像融合问题,提出了一种基于显著性检测和双尺度分解的快速融合算法。首先对原始图像进行显著性检测得到显著部分和冗余部分,通过双尺度分解得到基本层和细节层;然后通过双尺度分解对显著部分进行再次处理;接着分别进行局部信息融合和全局信息融合,完成图像重构,得到融合图像。实验结果表明,提出算法融合效果和算法效率均优于比较的算法。

摘要： 目前方法不能有效提取图像的多尺度特征并完全利用全局信息,对此提出一种新的全局信息引导的多尺度显著物体检测模型。设计了多尺度特征提升模块,提升了各个侧输出特征的多尺度表征能力;利用空洞空间卷积池化金字塔模块提取图像的全局特征;将全局特征直接与各个侧边输出的多尺度特征相融合,利用全局特征引导侧边特征聚焦于目标区域中有用的中低层特征;采用由粗至细的方式得到最终的预测结果。该模型在四个广泛使用的数据集上进行了测试,并与8种近3年具有代表性的方法进行比较。实验结果表明,该模型对各种场景的显著物体检测具有较好的鲁棒性,可以均匀高亮显著目标的同时抑制背景噪声。

摘要： 针对现有的基于引导学习的显著性检测模型存在的训练样本不纯净和特征提取方式过于简单的问题,提出一种改进的基于引导(Boosting)的算法来检测显著性,从提升训练样本集的准确度和改进特征提取的方式来达到学习效果的提升.首先,根据显著性检测的自底向上模型产生粗选样本图,并通过元胞自动机对粗选样本图进行快速有效优化来建立可靠的引导样本,完成对原图的标注建立训练样本集;然后,在训练集上对样本进行颜色纹理特征提取;最后,使用不同特征不同核的支持向量机(SVM)弱分类器生成基于Boosting学习一个强分类器,对每幅图像的超像素点进行前景背景分类,得到显著图.在ASD数据库和SED1数据库上的实验结果显示该模型能对复杂和简单的图像生成完备清晰的显著图,并在准确率召回率曲线和曲线下面积(AUC)测评值上有较大提升.由于其准确性,能应用在计算机视觉预处理阶段.

摘要： 本文提出了一种贝叶斯框架下基于遗传算法的显著性目标检测模型,利用基于遗传算法的分类模型和基于中心原则的先验模型来计算显著性.首先,通过颜色差异找到一些基于全局的兴趣点,再利用这些兴趣点构建一个大致的显著区域凸包.其次,应用遗传算法的动态迭代机制,将凸包内的区域严格地分为两类,找到其中更为显著的一类作为初步先验模型.接着,将中心先验模型与初步先验模型融合为贝叶斯框架下的先验图,这样不仅可以提高了凸包内部前景的显著值,同时也能抑制背景区域.然后,通过整个凸包区域得到似然概率.最后,在贝叶斯框架下利用先验概率和似然概率计算得到最终的显著图.本文在六个公开的显著性检测数据库上对提出的算法进行评测,大量实验证明了本文算法的有效性.

摘要： 显著性扩散方法是众多显著性检测方法中的一种,一般是先得到一幅图像中的显著性种子点,然后将种子点的显著性通过传播矩阵进行扩散,最后得到图像的显著性图,此过程中关键是如何更好的选择种子点幵迚行有效传播.当图像比较简单时这些方法能够准确确定显著性种子点,但当图像背景比较复杂尤其是图像的前景和背景颜色接近时,种子点的选择会出现错误,从而影响最终显著图的质量.因此找到一种方法能够在复杂的图像中准确找到显著性种子点幵将其显著性进行有效传播是研究的重点.本文从显著性图出发提出一种能够准确找到显著性种子点的方法,幵将随机游走方法改进和流形排序方式融合进行显著性扩散.在三个数据集上和6种显著性检测方法对比,实验结果表明本文方法较之前方法有了很大的改进,得到了更加精细的显著性图.

摘要： 针对目前显著性检测算法的准确性仍不是很理想的问题,提出改进已有的贝叶斯模型的显著性检测算法.首先利用图像压缩得到压缩图,结合经典的Harris算子来对原图和压缩图进行角点检测,利用角点得到两种图的最小凸包,将两者求交集来得到更合理的改进凸包;然后利用空间稀疏聚类算法结合改进凸包来得到先验概率图;再利用颜色直方图来计算观察似然概率;最后根据已有的先验概率图和似然概率结合贝叶斯模型来得到显著性图,通过优化处理得到最终的显著性检测结果.在公开数据集MSRA和SED上进行仿真实验的结果表明,该算法不仅能够提高显著度图的视觉效果,而且查全率和查准率,F-measure,MAE等评价指标也比传统算法有明显提升.

摘要： 通过构建基于超像素的图作为视觉表示引入超像素间的空间信息.采用基于图模型的流形排序作为显著性检测方法得到第一阶段每个超像素的显著性,判别式表观模型则通过基于中层特征的分类器进行判别并利用空间信息对分类结果进行调整,将流形排序和分类结果结合作为先验信息选择随机游走种子点.结合随机游走得到的第二阶段的显著值和分类结果,最终得到当前帧的置信图.在置信图的基础上,采用积分图方法快速计算得到候选的观测值,将观测值最大的候选作为跟踪结果.在数据集上的实验结果表明,该方法可以有效处理快速运动和形变等问题,从而实现复杂背景下鲁棒的目标跟踪.

摘要： 网格显著性是三维网格模型的一个重要几何属性,已应用于许多方向.受现有算法的启发,提出了一种基于局部区块曲率熵的多尺度显著性检测算法.针对每个顶点,定义一个局部坐标系并计算该点曲率值;通过邻域累积体积定义一个改进的自适应区块,计算该点邻域球内每个邻居点相对于该区块的偏离值,将该值作为相应邻居点曲率的加权值;将所有邻居点的加权曲率熵作为该点的显著性值.该算法在时间复杂度方面具有可比较性,在显著性检测能力上占有优势.

摘要： 图像质量无参考评价问题目前仍是计算机视觉领域最具挑战性的工作之一,红外侦察图像由于其成像机理的制约,质量低于可见光图像,将严重制约后续图像处理的效率和其侦察效能的发挥,因而对于图像质量的准确评价是其中的关键环节.为此,本文研究并提取了能够表征红外辐射特性的轮廓、纹理和点特征,构建了基于混合特征和显著性检测的红外图像质量评价模型,并以实拍红外侦察图像为样本,以主观评测作为度量基准,进行了相关实验验证,结果证明该方法较经典方法能否更好地评价红外侦察图像.

摘要： 本文给出了一种在容积约束Power图结构上的图像分片多项式逼近方法.将Power图的权重与图像颜色信息相关联,设计了一个带容积约束Power图的顶点位置与权值交替优化的图像逼近算法.该算法运用误差反馈机制以及图像显著性检测等方法生成密度函数图像,并根据原始图像的颜色信息和得到的密度函数图像分两次来指导初始化点集生成,通过构建最终的Power图来逼近目标图像.利用Power图来对目标图像进行区域分割,定义了度量逼近误差的带容积约束的优化能量函数,分别计算能量函数关于位置和权重的梯度,将原问题分解为两个子问题分而治之,借助密度函数图像生成的高效的初始化点分布,通过不断更新Power图的顶点位置和权值得到相对较优的Power图,最终拟合出逼近图像.实验结果表明,该算法能较好地逼近彩色图像,并能有效保持图像显著区域的特征.

摘要： 本文基于动态引导滤波器(RGF)提出了一种新的图像多尺度表示方法,并将其应用到图像融合技术中.首先,使用RGF将输入图像用多种尺度的子图表示;然后,基于显著性检测获得输入图像的权重映射;最后使用基于递归滤波的加权融合方法得到最后的融合图像.通过多组图像融合实验的比较结果表明,本文提出的融合算法相比于其它基于多尺度分解的融合算法更好地保持了输入图像的细节信息,融合图像的视觉效果更好.

摘要： 针对全局对比度的显著性检测算法在图像边缘处的物体检测不完全的缺点,提出一种具有目标偏见的全局对比度显著性检测方法.在基于图的分割以后,利用全局对比度计算显著性值.根据显著性物体出现的位置调整高斯模型中心.利用分割区块相对显著性物体的位置与全局对比度确定显著性值.文中方法考虑了全局对比度和显著物体的空间位置,全局对比度算法图像中心确定方式有了改进.理论分析和实验结果表明,该方法可以很好的适用于各类图像的显著性检测,主观效果得到改善,客观指标得到提高.

摘要： 本发明公开了一种基于低水平显著性融合和测地线的视频显著性检测方法，包括步骤：S1通过显著性估计分别求得空间边缘显著图，空间颜色显著图和运动边界图；S2平滑处理，并集成三个特征显著图得到低水平的时空显著图；S3对每一帧构造无向加权图，然后根据到图像边界的最短测地线距离，计算前景概率；S4对每对相邻视频帧，构造无向加权图，将帧Lk分解为背景区域Dk和对象区域Ok,最后在无向加权图的基础上，计算得到最后的显著图。本发明的空间颜色特征，增强或锐化突出对象的微小细节来表示高显著度。本发明的低层次显著性融合策略，保证互补地使用平滑的颜色显著性、空间边缘和时间运动边界线索产生高精度低水平显著性。

摘要： 本发明公开了一种基于多核增强和显著性融合的RGBD图像协同显著性检测方法。具体步骤为：(1)、将一组具有共同显著对象的彩色图像分割成若干区域，并计算单张RGBD图像显著性图；(2)、样本选择，选出最优聚类结果中类协同显著性值最大的那个类，将这个类中的区域作为正样本，将单张图像显著性值低于阈值的区域作为负样本；(3)、用图像随机采样的方法生成不同的训练集来学习多个不同的模型，以得到基于多核增强的协同显著性图；(4)、将步骤(3)得到的基于多核增强的协同显著性图和步骤(2)得到的基协同显著性图进行线性融合，得到融合协同显著性图，并评价每张融合协同显著性图的质量，以这个质量评价为权重进行自适应的融合，得到最后的RGBD图像的协同显著性图。

摘要： 本发明提出了一种基于协同显著性生成式对抗网络的协同显著性检测方法，步骤如下：构建协同显著性生成式对抗网络模型；对协同显著性生成式对抗网络模型进行两阶段训练：在第一训练阶段，采用带标签的显著目标数据库对协同显著性生成式对抗网络进行预训练，本阶段训练后，协同显著性生成式对抗网络具备对单幅图像进行显著性检测的能力；在第二训练阶段，基于第一阶段训练好的模型参数，采用协同显著目标属于同一类别的带标签协同显著性数据组对协同显著性生成式对抗网络进行训练，本阶段训练后，可直接使用训练好的模型进行类别协同显著性检测。本发明训练过程简单、检测效率高，通用性较强，准确率较高。

摘要： 本发明公开了一种基于显著性目标背景建模的视频显著性检测算法，包括：步骤1，对初始帧(当前帧)进行静态图像显著性检测，获取其显著图，根据显著图获取残余背景；步骤2，对残余背景图像中像素值为0的像素点进行相似性填充获取初始帧背景模型；步骤3，根据初始背景模型，对下一帧利用背景减除法减去初始背景模型得到下一帧显著区域，且对该显著区域进行信息冗余度判别，如果冗余度较小，则认为该显著区域正确，如果显著区域冗余较高则需重新对当前帧按照步骤1和步骤2所述方法重新进行背景建模。最后，依次循环得到最终显著视频。该算法无需对视频中每一帧进行背景建模，因此会有较快计算速度。

摘要： 本发明公开了一种显著性检测方法、显著性检测设备和计算机可读存储介质，所述方法包括：确定第一主干网络第一目标卷积层的第一输出结果，以及第二主干网络第二目标卷积层的第二输出结果；根据所述第一输出结果确定所述第一全局描述子，以及根据所述第二输出结果确定第二全局描述子；根据所述第一全局描述子和所述第二全局描述子确定各个模态的不同通道的重要性；根据所述重要性以及所述第一输出结果确定第一模态特征，以及根据所述重要性和所述第二输出结果确定第二模态特征；基于所述第一模态特征和所述第二模态特征确定显著性检测结果。本发明旨在达成提升显著检测结果的鲁棒性的效果。

摘要： 本申请提供一种显著性真值图的生成方法及显著性检测模型的训练方法。显著性真值图的生成方法包括：获取待标记图像；将所述待标记图像输入至分类分支模型中，生成类激活图；其中，所述类激活图表征所述待标记图像中所述分类分支模型所关注的高亮区域；将所述待标记图像输入至回归分支模型中，生成显著性区域图；其中，所述显著性区域图为包含显著性边框的待标记图像；将所述类激活图中的高亮区域与所述显著性区域图中的显著性边框的内部区域的交集进行标记，生成显著性真值图。通过该方式了减少了人工逐像素标记真值过于繁琐、无法提供大量的真值标注图像等问题，缓解了标注的压力。

摘要： 本发明提出了一种基于协同显著性生成式对抗网络的协同显著性检测方法，步骤如下：构建协同显著性生成式对抗网络模型；对协同显著性生成式对抗网络模型进行两阶段训练：在第一训练阶段，采用带标签的显著目标数据库对协同显著性生成式对抗网络进行预训练，本阶段训练后，协同显著性生成式对抗网络具备对单幅图像进行显著性检测的能力；在第二训练阶段，基于第一阶段训练好的模型参数，采用协同显著目标属于同一类别的带标签协同显著性数据组对协同显著性生成式对抗网络进行训练，本阶段训练后，可直接使用训练好的模型进行类别协同显著性检测。本发明训练过程简单、检测效率高，通用性较强，准确率较高。

摘要： 本发明公开了一种基于低水平显著性融合和测地线的视频显著性检测方法，包括步骤：S1通过显著性估计分别求得空间边缘显著图，空间颜色显著图和运动边界图；S2平滑处理，并集成三个特征显著图得到低水平的时空显著图；S3对每一帧构造无向加权图，然后根据到图像边界的最短测地线距离，计算前景概率；S4对每对相邻视频帧，构造无向加权图，将帧L

摘要： 本发明公开了一种基于多核增强和显著性融合的RGBD图像协同显著性检测方法。具体步骤为：(1)、将一组具有共同显著对象的彩色图像分割成若干区域，并计算单张RGBD图像显著性图；(2)、样本选择，选出最优聚类结果中类协同显著性值最大的那个类，将这个类中的区域作为正样本，将单张图像显著性值低于阈值的区域作为负样本；(3)、用图像随机采样的方法生成不同的训练集来学习多个不同的模型，以得到基于多核增强的协同显著性图；(4)、将步骤(3)得到的基于多核增强的协同显著性图和步骤(2)得到的基协同显著性图进行线性融合，得到融合协同显著性图，并评价每张融合协同显著性图的质量，以这个质量评价为权重进行自适应的融合，得到最后的RGBD图像的协同显著性图。

摘要： 本发明公开了一种基于显著性目标背景建模的视频显著性检测算法，包括：步骤1，对初始帧(当前帧)进行静态图像显著性检测，获取其显著图，根据显著图获取残余背景；步骤2，对残余背景图像中像素值为0的像素点进行相似性填充获取初始帧背景模型；步骤3，根据初始背景模型，对下一帧利用背景减除法减去初始背景模型得到下一帧显著区域，且对该显著区域进行信息冗余度判别，如果冗余度较小，则认为该显著区域正确，如果显著区域冗余较高则需重新对当前帧按照步骤1和步骤2所述方法重新进行背景建模。最后，依次循环得到最终显著视频。该算法无需对视频中每一帧进行背景建模，因此会有较快计算速度。