基于Otsu法自适应阈值的图像分割研究

概述了基于一维Otsu 和二维Otsu 双门限的阈值分割法,提出了基于像素邻域平均灰度的改进的一维Otsu 多门限分割方法,兼有准确性和快速性的优点,并应用于MRI脑图像,实现了多个目标的自动分割,与普通的一维Otsu 法相比具有更好的分割效果.     

基于卷积神经网络与视觉显著性的图像融合分析

红外、可见光图像在传统融合当中主要采取手动的形式进行图像的提取,但是无论是方法还是特征都较为单一,并不能够满足当前发展需求。通过深度学习实现图像特征的自动化提取,使传统提取方法得到了丰富与创新,在此过程中要充分利用卷积神经网络,使视觉显著性的图像融合更为全面,在条件随机场的作用下,精确分割图像,以更为显著性的方式对目标进行提取。     

基于阈值法的图像分割技术

图像分割是图像处理方向的一个重要课题,阈值法因其实现简单、计算量小、具有较高的运算效率,性能较稳定,而成为图像中最基本和最广泛的分割技术。阈值法分为全局阈值法和局部阈值法两种,其中全局阈值法又可分为基于点的阈值法和基于区域的阈值法。这里主要研究基于点的全局阈值法,即最大类间方差法,并基于Matlab软件环境进行算法的仿真。该系统能够对图像中某些感兴趣的部分进行提取,较好地实现了图像分割。     

基于视觉显著性和目标置信度的红外车辆检测技术

提出了一种复杂地面背景下的红外车辆检测算法。首先,提出一种新的自适应分段线性灰度拉伸方法来增强当图像整体亮度偏低时的目标信息。其次,利用拉伸后图像的显著性图生成目标潜在的兴趣区。再次,利用平均梯度法在兴趣区内进行目标的边缘再分割,完成目标精确分割检测。最后,利用车辆的红外融合特征计算目标置信度,对目标进行评估和确认。实验结果表明:对实际拍摄的红外图像进行检测的算法可有效地检测出地面车辆目标。     

对比度融合的视觉显著性检测算法

显著性检测是计算机视觉和图像处理领域的研究热点问题。根据人类心理学原理,在自底向上的方法中对视觉显著性影响最大的就是基于对比度度量的定义以及计算。本文根据人眼视觉注意系统的特性,提出一种基于对比度融合的视觉显著性检测框架,旨在融合当前广泛使用的对比度计算方法。具体而言,这些显著性算法包括中心-四周对比度、对角-四周对比度以及全局对比度。该融合框架能够继承不同对比度度量的优点,因此可以产生更加准确和鲁棒的显著性图。实验结果验证了本文方法的有效性,并证明了使用对比度融合的方法能够取得比单一对比度度量更好的视觉显著性检测效果。      

基于Itakura-Saito散度的图像阈值法

针对Otsu阈值法仅适合图像目标和背景分布呈正态分布且两者象素量和方差要求基本相当的不足,提出了基于Itakura Saito散度的图像阈值化分割新算法。实验结果表明,对有些图像采用Itakura Saito散度的阈值法比传统Otsu阈值法能够获得较好的分割效果。     

基于视觉显著性的海面舰船检测技术

海面舰船检测技术有着特殊的军用以及民用意义,为了在宽广且环境复杂多变的海面上快速、高效、精确地检测到舰船目标,本文提出了一种基于多特征、多尺度视觉显著性的海面舰船检测方法.该方法充分利用了四元数图像可在多个通道上同时进行操作,节省操作时间,并保证不同尺度特征之间关联性的特点;除此之外,该方法还利用人眼对不用大小的图像关注目标不同的特点对图像进行尺度大小变换以避免漏检.该方法先用顶帽算法对原图进行简单的图像预处理以抑制云层、油污的干扰;其次提取多种特征构成四元数图像进行舰船目标显著性检测;在得到显著图后利用OTSU分割算法确定舰船所在的区域,并在原图上标定、提取舰船目标.通过在多种海面情况下分别进行实验分析,实验结果表明该算法可以排除云、雾、油污等干扰,精确、快速地检测到舰船目标,真正率达96.52%,虚警率低至2.11%,相较于他显著性检测算法在舰船检测方面有明显的优势.     

基于视觉显著性的立体图像质量评价方法

人眼的视觉显著性能够影响图像质量评价,结合平面显著性和中央偏移因子,提出基于视觉显著性的立体图像质量评价算法(VS-SSIM);同时考虑中央偏移因子的影响,提出基于中央偏移的结构相似度算法(CB-SSIM)。实验结果表明,中央偏移因子和视觉显著性均能提高立体图像质量评价算法;相比CB-SSIM,VS-SSIM算法与主观评价结果的相关性更高。     

基于视觉显著性的SAR遥感图像NanoDet舰船检测方法

在合成孔径雷达遥感图像中,舰船由金属材质构成,后向散射强;海面平滑,后向散射弱,因此舰船是海面背景下的视觉显著目标。然而,SAR遥感影像幅宽大、海面背景复杂,且不同舰船目标特征差异大,导致舰船快速准确检测困难。为此,该文提出一种基于视觉显著性的SAR遥感图像NanoDet舰船检测方法。该方法首先通过自动聚类算法划分图像样本为不同场景类别;其次,针对不同场景下的图像进行差异化的显著性检测;最后,使用优化后的轻量化网络模型NanoDet对加入显著性图的训练样本进行特征学习,使系统模型能够实现快速和高精确度的舰船检测效果。该方法对SAR图像应用实时性具有一定的帮助,且其轻量化模型利于未来实现硬件移植。该文利用公开数据集SSDD和AIR-SARship-2.0进行实验验证,体现了该算法的有效性。      

基于视觉显著性的雷达视频舰船检测

将计算机视觉领域的视觉显著性的概念引入常规雷达视频序列中舰船目标的检测,提出了适用于雷达视频的目标显著性表示模型。利用局部对比度来表征目标与杂波在回波强度上的差异,利用运动显著性来提取目标与固定地杂波和起伏海杂波之间的差异,经线性组合形成综合显著图,可快速准确提取目标。将连续多帧提取的结果进行积累,通过分析目标历史轨迹对目标加以确认。最后,利用采集的某型导航雷达实测数据进行的实验表明了方法的有效性。     

应用图像融合与多样性的舰船显著性检测

基于单源的图像显著性检测存在较大的虚警或漏检,文章提出了利用约简后的特征点和CPD算法对海面实拍船只图像进行多源图像匹配,获得图像间的变换投影方程并利用投影方程对单源图像的显著性检测结果进行叠加与虚警控制器分类,从而达到提高检测率与控制虚警的目的。显著性检测方面,文章分析了基于图等级多样性的显著性检测方法的不足和优点,引入了最大稳定区域检测方法对图像做前期处理,并对获得区域进行联合获得新区域,使得新区域能够最大限度地满足基于图的等级多样性显著性检测最优条件。对于检测获得的联合区域目标显著性不完整的情况,利用了区域的叠加性进行加权求和,最终获得了具有较好联通性的多舰船目标图像显著性检测结果。对于显著性检测结果中存在较大虚警的情况,文章进一步提出计算船只与浪花的多尺度分形维数,并结合Adaboost算法训练浪花虚警控制器。实验结果显示控制器能够消除一部分浪花带来的虚警,但是对于灰度与舰船极为相似的虚警无法消除。     

基于视觉显著性特征的乳腺肿块检测方法

提出基于视觉显著性特征的乳腺钼靶X射线肿块检 测方法:首先从局 部显著性、全局 显著性和稀少性三方面计算显著图,利用显著图加权增强目标;然后根据前景目标数迭代确 定分割阈值对 加权后图像阈值分割;最后将分割后的前景区域视为疑似肿块区域,利用融合显著性特征及 基于中心-轮廓 距离的肿块形态特征识别肿块。本文利用MIAS数据库中多幅的乳腺X线图像进行实验验证, 结果表明, 本文提出的方法能够准确地分割肿块区域,肿块识别准确性较高。     

图像显著性检测方法解析

图像显著性检测是一种通过对图像颜色、强度、方向等特征进行分析生成图像显著性图的技术。其生成的显著性图可以用于图像分割、图像压缩以及图像识别等图像处理领域,从而改善图像处理的性能。为了对图像显著性检测技术及其发展有一个全面深入的了解,使用文献研究法和比较研究法对其概念及方法进行了探究。针对几种具有代表性的图像显著性检测算法进行了简要的概述和分析,用流程图简明扼要地表示显著性检测算法的基本框架。研究结果显示,图像显著性检测技术的效率在不断提升,算法越来越多样化,在图像处理领域的应用越来越广泛,这些对于图像处理自动化具有重要意义。     

一种基于量子机制的图像显著性检测方案

提出了一种与传统方法相比效率更高的量子图像显著性检测方案.为了在量子计算机中表示和存储RGB图像,并计算不同像素间的反差,此方案采用3量子位描述颜色信息,把2轨×2图像矩阵编码为量子叠加态;结合Hadamard门和受控旋转算子,计算基态概率幅可反映像素在RGB三通道上的全局颜色反差;通过有限次数的投影测量可得到像素的归一化颜色反差及位置信息,并构建显著图.给出了相关量子电路的实现和复杂度分析.与多种传统显著性检测算法进行了对比实验,结果表明提出的方案具有良好的检测效果和更高的检测效率.     

基才区域显著性的彩色图像分割

提出一种彩色图像分割算法主要利用区域间显著性。先是运用了Kmeans聚类的算法对彩色图像进行分割。然后分析彩色图像中的各个分割区域之间的对比度值以及分割的区域在图像中的位置关系,得到显著性值。根据需要设定显著性阚值．得到目标显著性区域并将其他非显著性区域合并。以此达到目标区域与背景的分离。     

基于提取双选紧密特征的RGB-D显著性检测网络

针对现有算法对不同来源特征之间的交互选择关注度欠缺以及对跨模态特征提取不充分的问题,提出了一种基于提取双选紧密特征的RGB-D显著性检测网络。首先,为了筛选出能够同时增强RGB图像显著区域和深度图像显著区域的特征,引入双向选择模块(bi-directional selection module, BSM);为了解决跨模态特征提取不充分,导致算法计算冗余且精度低的问题,引入紧密提取模块(dense extraction module, DEM);最后,通过特征聚合模块(feature aggregation module, FAM)对密集特征进行级联融合,并将循环残差优化模块(recurrent residual refinement aggregation module, RAM)配合深度监督实现粗显著图的持续优化,最终得到精确的显著图。在4个广泛使用的数据集上进行的综合实验表明,本文提出的算法在4个关键指标方面优于7种现有方法。     

Salient region detection through sparse reconstruction and graph-based ranking

In this paper, we propose a salient region detection algorithm from the point of view of unique and compact representation of individual image. In first step, the original image is segmented into super-pixels. In second step, the sparse representation measure and uniqueness of the features are computed. Then both are ranked on the basis of the background and foreground seeds respectively. Thirdly, a location prior map is used to enhance the foci of attention. We apply the Bayes procedure to integrate computed results to produce smooth and precise saliency map. We compare our proposed algorithm against the state-of-the-art saliency detection methods using four of the largest widely available standard data-bases, experimental results specify that the proposed algorithm outperforms. We also show that how the saliency map of the proposed method is used to discover outline of object, furthermore using this outline our method produce the saliency cut of the desired object.     

Visual saliency detection: From space to frequency

In this paper, a new saliency detection model is proposed based on a space-to-frequency transformation. Firstly, the equivalence of spatial filtering and spectral modulation is demonstrated to explain the intrinsic mechanism of typical frequency-based saliency models. Then a novel frequency-based saliency model is presented based on the Fourier Transformation of multiple spatial Gabor filters. Besides, a new saliency measurement is proposed to implement the competition between saliency maps at multiple scales and the fusion of color channels. In experiments, we use a set of typical psychological patterns and four popular human fixation datasets to test and evaluate the proposed model. In addition, a new energy-based criterion is proposed to evaluate the performance of our model and is compared with five traditional saliency metrics for validation. Experimental results show that our model outperforms most of the competing models in salient object detection and human fixation prediction.