融合颜色显著性和似物性的显著物体检测

文中提出一种融合颜色显著性和似物性的对象级显著性检测方法.首先量化并计算像素点在RGB空间下的稀疏性以及在LAB空间中的对比度,得到像素级的显著性;其次对原图像进行超像素分割,以超像素内所有像素的显著性均值作为该超像素的显著值,通过能量函数平滑优化相邻的超像素,得到前景分割明显且变化较小的超像素级显著性;然后优化原似物性方法,通过中心环绕法则融合显著性值和似物性值,作为对象级显著性的贝叶斯先验概率,计算似物性窗口内显著物体与窗口像素的比值,得到似然概率;最后通过贝叶斯模型计算,得到显著物体后验概率,并以此作为似物性窗口的评分标准.在MSRA-1000和ECSSD数据集上先将颜色显著性方法与8种state-of-the-art显著性方法相比较,显著性检测效果较好,检测精度高于其他几种方法.将优化后的似物性与另外3种方法对比,优化结果能使检测窗口大量覆盖于显著图中目标物体上方.将文中显著物体检测方法与同样融合了似物性的显著物体检测方法进行比较,结果表明文中方法较其他方法能够更精确、更完整检测出显著物体.     

结合空洞编码器和特征金字塔的中心点船舶检测

为了进一步提高基于深度学习的船舶目标检测技术的检测精度，在无锚框中心点检测算法基础上，提出一种结合空洞编码器和特征金字塔的改进中心点船舶检测算法。采用Res Ne Xt-50网络对船舶图像进行特征提取，引入基于空洞残差的空洞编码器（DE）增大32倍下采样特征图的感受野，生成覆盖多个目标尺度的特征图，并采用特征金字塔网络（FPN）进行上采样，在上采样过程中融合空洞编码器生成的32倍下采样特征图和原16倍、8倍和4倍下采样特征图，从而提取到更丰富的船舶特征信息，提升船舶检测效果。结果表明，改进算法对不同类型和不同尺度下的船舶检测平均精确率相比原算法具有较明显的提升，相比SSD和YOLOv3算法具有更高的精度优势。     

虚拟现实技术舰船舱室空间场景语义标注算法

传统的舰船舱室空间场景语义标注算法的标注精度偏低。为此,在虚拟现实技术的支持下,设计一种新的舰船舱室空间场景语义标注算法。通过图像预处理去除舰船舱室空间图像中的噪声点和畸变,然后采用SURF方法对特征点检测和匹配,通过拼接并融合图像生成全景图。基于此,采用MRF语义标注算法查询图像像素特征,并估测与其近邻像素特征间的距离,再通过计算像素的似然估计得到舰船舱室的语义标注结果。实验结果表明,与传统的语义标注算法相比,采用本文算法后,每类别的语义标注精度至少提升5.24%,每像素的语义标注精度至少提升6.12%。由此可见,本文算法具有更高的语义标注精度。     

基于机器视觉技术的船舶航行危险区域自动识别方法

提出基于机器视觉技术的船舶航行危险区域自动识别方法,最大程度规避船舶航行风险。利用机器视觉技术获取船舶航行图像数据,并结合像素平滑滤波和帧间差分法去除原始船舶航行图像所含噪声。采用二阶高斯-马尔科夫机场算法对去噪后船舶航行图像的显著性区域候选节点作信息弥散处理,获取船舶航行图像显著图,通过均值偏移算法处理船舶航行显著图像的特征空间,获得多个分割区域后,在显著图中求解各区域的显著性均值,通过与阈值作比较,实现船舶航行危险区域识别。实验结果表明：该方法可有效提升船舶航行图像的视觉效果;生成的显著图细节完整;可实现不同危险区域的识别,识别效果突出。     

基于视觉显著性的船舶结构缺陷检测研究

针对船舶结构缺陷图像中背景结构复杂,缺陷不易检测的难题,提出基于视觉显著性的缺陷检测算法。该算法采用自适应全变分模型替代FT算法的高斯滤波器并融入H分量来构建改进型FT算法,以增强缺陷图像背景的平滑和缺陷局部颜色对比度的表达能力;利用SMD算法捕捉图像结构信息及分解图像特征矩阵,凸显船舶缺陷与背景的差异性;通过自适应融合算法将改进型FT算法和SMD算法生成的显著图融合为综合显著图。对船舶缺陷进行对比实验,结果表明,提出的算法能够有效检测出船舶缺陷区域,提高缺陷检测精确率。     

双目视觉下多尺度舰船图像轮廓特征点提取算法

为清晰分辨船舶航行图像的边缘特征信息,提出双目视觉原理下的多尺度舰船图像轮廓特征点提取算法。依照图像信息的测距处理方案,匹配必要的视觉性像素,完成基于双目视觉的舰船图像特征点标注处置。在此基础上,根据多尺度成像坐标原理,判定舰船图像的灰度信息,再通过计算轮廓特征系数的方式,实现双目视觉下多尺度舰船图像轮廓特征点提取算法的应用。对比实验结果表明,与SIFT算法相比,应用新型特征点提取算法后,QDI系数指标出现明显提升的变化趋势,船舶航行图像的边缘特征信息得到清晰化分辨。     

基于频域残差及局部协方差的红外弱小目标检测

在复杂背景及强噪声干扰的场景中,红外小目标因其尺寸小、信号弱、缺乏文理特征等特点,极易湮没在背景和噪声中,导致检测虚警率高、算法复杂、计算量大等问题。为此,本文提出一种基于频域残差及局部协方差的红外弱小目标检测方法。首先,通过频域残差计算红外图像的显著图,以获得目标可能存在的区域。然后,在此区域内利用局部协方差检测方法做识别。最后,通过自适应阈值分割得到真实目标。对不同复杂背景的红外图像进行小目标检测实验,结果表明,与传统检测算法相比,该算法在不同场景下都能有效抑制背景和噪声,准确检测目标,且满足实时性要求。     

改进神经网络的舰船图像语义分割算法

针对传统图像语义分割算法耗时较长的问题,提出改进神经网络的舰船图像语义分割算法研究。首先需要将原始图像预处理,利用阈值分割法,检测出灰度值差异,分离图像主体与背景,检测主要特征,获取全局信息,增强细节捕捉能力,强化图像目标的类别属性,采用多尺度池化的网格结构,融合图像特征,利用分类器将像素分类,将全连接层更换为卷积层,完成分割结果的优化,至此结束改进神经网络的舰船图像语义分割算法的研究。设计仿真实验,将所提出算法与其他2种传统算法对照分析,验证改进神经网络的应用效果,实验结果表明,将改进神经网络应用到舰船图像语义分割过程当中后,所耗时长稳定在75～95 ms之间,明显优于传统算法。     

基于图像检测的船舶特征分割与提取优化算法

船舶图像特征分割和提取算法是图像检测领域中的基础工作。由于船舶航运环境和船舶自身结构组成相对复杂,船舶图像的全自动分割方法在图像检测过程中经常出现边缘模糊、准确性低等问题。因此提出基于图像检测的船舶特征分割与提取优化算法,结合免疫算法获取更多图像特征信息,达到快速、准确的对船舶图像特征进行提取和分割的目的。为验证算法的准确性进行仿真实验,结合船舶区域图像对图像边界特征进行提取和分割,并与传统方法进行比较。实验结果证明基于图像检测的船舶特征分割与提取优化算法可以有效达到特征融合、全局最优、算法效率高等优良特性,使图像具有更强的实用性。     

基于视觉传达技术的低分辨率舰船图像优化

现有图像优化方法存在噪声校正模型不完善的问题,导致优化方法覆盖率较低,设计一种基于视觉传达技术的低分辨率舰船图像优化方法。通过拟合尺度函数,检测低分辨率舰船图像关键点,构建非均匀噪声校正模型,抑制图像的突变灰度,利用视觉传达技术设置优化模式,判断图像像素的边界融合程度。实验结果:此次设计的图像优化方法覆盖率均值为93.28%,另外2种优化方法的覆盖率均值分别为:89.36%、88.54%,证明融合了视觉传达技术的图像优化方法使用价值更高。