摘要：为了实现复杂环境下航空零件孔特征的高效高精度检测,提出了一种集成视觉显著性和群决策的检测方法。在经典FT显著性检测算法中引入图像增强步骤,并为每个像素赋予以最大显著区域中心为参考的权重,使用改进后的方法对图像进行孔区域分割。设计具有多尺度多结构元素的新型数学形态学边缘检测算法,结合轮廓细化算法对孔区域进行轮廓提取。最后,利用Meanshift算法寻找轮廓点的圆心位置,建立新的基于群决策的圆半径计算模型,获得孔特征的关键几何参数。结果表明:改进的视觉显著性特征检测算法能够生成更加突显孔特征的全分辨率显著图;新型数学形态学边缘检测算法能获得简化且可靠的轮廓点;该方法在不均匀光照、各类孔缺陷和孔内壁干扰等条件下均显示出较好的稳定性;即使在噪声密度高达30%时仍能成功完成孔检测,且圆心坐标和半径的误差均小于0.012 mm;平均检测时间仅为0.236 s。该方法能够在复杂环境下对航空零件孔特征进行准确、稳定的检测。

摘要：针对高分辨率遥感影像上建筑物的特征,设计并实现了用于提取高分遥感影像上建筑物的深度学习显著性检测方法。首先,使用FCN语义分割高分遥感影像,并通过对高分遥感影像上独特性、紧凑性和背景性中水平特征,计算每个像素与像素之间的中水平特征差异,得到每个像素的特征图,并将这些特征图组合在一起得到全局先验特征图;其次,给出了显著检测目标方法,即在深度学习网络模型中输入全局先验特征图后获取全局先验显著图;最后,通过实验数据,采用准确率和召回率P-R曲线以及F-Measure作为评价指标对该方法进行了验证并对结果进行了分析,表明所提出的方法能够完整准确地提取高分遥感影像上建筑物,且计算速度快、性能优良、过程无须人工参与,具有较高的应用价值。

摘要：针对基于深度卷积神经网络的RGB-D显著性检测性能差等问题,提出利用注意机制和多尺度跨模态融合进行RGB-D显著性检测的方法.首先采用多尺度残差注意模块对骨干网络提取的特征进行预处理;然后提出多尺度跨模态融合策略,对高层RGB特征和深度特征进行融合,获得初始显著图;最后采用边界细化模块细化初始显著图中目标的边界,使最终显著图包含敏锐的边界和完整的突出目标.在5个基准数据集上与10种先进方法进行实验的结果表明,所提方法在4个评价指标上均处于前3名;尤其是在NJUD和SIP数据集上,该方法在4个指标上提升了0.5%~1.5%.

摘要：大多数RGB-D显著性检测方法在探索各层跨模态信息时,往往直接将深度图不加处理地与RGB图进行融合,并且在各个层次采用相同的融合策略。然而,这会产生两个问题:(1)低质量深度图会把大量的冗余信息带入网络中,给检测带来负面影响;(2)在各个层次上采用相同的融合策略,忽略了模型在不同层次对全局和局部特征具有不同的关注度。为了解决上述问题,提出了一种自顶向下的多层次特征融合结构,通过设计深度增强模块有效地过滤低质量深度图信息;设计高层交融模块有效地整合高层中的全局特征;设计低层交融模块有效提取与融合有用的局部特征。通过在5个公共数据集上与7种先进模型进行的综合实验表明,该模型在F(F-measure)指标、avgF(average F-measure)指标、S(S-measure)指标和MAE(mean absolute error)4个指标上表现出了良好的性能。

摘要：光场图像包含丰富的空间视差信息和精确的深度信息,利用光场图像的丰富视觉信息实现准确的显著目标检测是重要的研究课题.然而,由于光场图像包含焦堆栈图像序列、全聚焦图像等多幅不同特性的图像数据,面向二维图像的特征提取方法不能有效地融合光场图像中不同序列不同空间的互补信息.针对这一问题,本文提出一种联合序列和空间注意力机制的光场显著性检测模型.针对焦堆栈图像序列,利用RFB模块和特征金字塔结构提取全局信息丰富且细节信息充分的语义特征.同时,提出一种联合序列和空间的自注意力机制,利用多头自注意力操作对焦堆栈图像特征从序列和空间维度联合建模,从而实现对焦堆栈图像序列特征的增强与融合.该机制能够同时建模图像的长距离、空间相关性和特征的内部关联性,从而在不同空间位置反映不同焦堆栈图像的重要性,有利于检测更完整的显著目标.最后,将焦堆栈图像信息和全聚焦图像信息有效融合,以预测最终的显著目标.本文在DUT-LFSD、HFUT-LFSD和LFSD数据集上展开实验,并与28种代表性工作进行对比.结果表明,本文设计的模型效果显著,在多个评价指标上一致地提高了显著目标检测的准确性.定性分析也表明本文提出的方法能够更准确地定位显著目标.

摘要：高光谱异常检测旨在识别与周围像素具有显著光谱差异的像素,由于不需要先验光谱信息的特点,其在军事和民用领域发挥重要价值。实现高光谱异常检测的一个重要手段是局部对比度计算,现有方法通常采用双窗口法进行计算,然而,窗口尺寸通常依据经验值进行手工设定,泛化能力不足。为了解决上述问题,本文提出了一种融合自适应窗口显著性检测和改进超像素分割的高光谱异常检测方法。该方法先利用对抗自编码网络对高光谱图像进行降维,以降低模型计算复杂度。其次,引入正交投影散度来改进超像素分割中的光谱距离度量方式,提升分割精度。然后,提出一种自适应窗口显著性检测算法来初步定位异常目标,该算法依据超像素分割结果来自适应确定双窗口,提高显著性检测的精度和泛化能力。最后,采用域变换递归滤波和阈值化操作对初始检测结果进行后处理,降低虚警率。消融实验表明,本文所提基于正交投影散度的改进超像素分割算法较基于传统光谱距离度量方式的算法性能更优,所提自适应窗口显著性检测算法的性能优于传统手工设定窗口尺寸的算法;与7种流行算法的主、客观对比实验表明,本文方法在总检测精度和异常—背景像素分离度上均优于流行算法。综上所述,本文所提改进超像素分割算法能提升现有高光谱图像超像素分割的效果,以此为基础所设计的自适应窗口显著性检测算法不仅能克服现有双窗口算法泛化能力不足的问题,还能获得优于流行算法的异常检测效果。

摘要：为在进行RGB-D显著性检测时能高效利用RGB信息与深度信息,对跨模态的融合进行研究。区别于现有方法忽略图像中干扰因素的存在或不考虑图像初始信息的缺陷,设计一个基于注意力机制的跨模态融合模块(CFM)。通过空间注意力与通道注意力有效过滤深度特征以及调制后特征的不必要信息,集成RGB特征与深度特征,让二者实现更好的互补。为保证全局信息与初始彩色信息的不丢失,通过残差连接将原始特征作为补充信息。在5个数据集上使用5个评价指标进行的实验结果表明,与当前主流模型相比,该模型具有优越性。

摘要：针对在大量图像中进行图像检索的准确度不高的问题,提出了一种显著性检测和卷积神经网络相结合的两阶段图像检索模型NL-VG。在模型的第一阶段使用局部特征图与全局特征图相结合的非局部深度特征模型(NLDF)进行显著性检测;在第二阶段使用VGG-16卷积神经网络进行特征提取得到特征向量,将得到的特征向量利用相似性度量方法和建立的图像检索库相匹配并显示与之相似的图像;使用交互式界面工具包PyQt5设计图像检索系统实现检索任务。使用网络爬虫技术获取图片并预处理构建数据集,对数据集上所有图像通过两阶段的显著性检测模型进行检测得到图像特征库。实验结果表明:所提出的检索算法map值为0.767,相较于SpoC等算法精度有所提高,查询结果更符合预期。

摘要：为能准确检测出可见光图像中的目标区域,并提高图像检测的准确性,提出基于视区追踪的可见光图像显著性检测方法。对全局显著性度量,根据度量结果,运用亮度增强算法增强可见光图像后,提取图像亮度、颜色以及方向的特征信息,采用视区追踪的方法分割可见光图像,构建关于图像背景与目标的指示向量,并对背景图排序,实现可见光图像显著性检测。实验结果表明,所研究的方法在主观评价和客观评价上,检测的准确度都较高,满足方法的设计需求。

摘要：针对现有的显著性检测方法输出分辨率低和缺乏生物合理性的问题,提出一种既有生物合理性,又能够获得全分辨率显著图的除法归一化方法.首先将L*a*b*颜色空间的输入图像分解成绿、红、蓝、黄和亮度5个特征通道,然后利用各通道的能量将每个通道进行归一化处理,再将5个归一化的通道在L*a*b*颜色空间中进行合成,最后利用欧几里得范数计算得到显著图,该过程模仿了初级视觉皮层中同类特征的相互抑制作用.实验结果表明,该方法计算简单高效,在心理物理学模板测试和人眼注视点预测上优于其他经典的显著性检测方法.