1 河南测绘职业学院空间信息工程系, 河南 郑州 450015
2 河南大学环境与规划学院, 河南 开封 475004
将基于多尺度显著性检测的视觉注意机制引入到高光谱影像的噪声去除和图像增强处理中,并基于分层聚类算法,提出一种结合聚类降维和视觉注意机制的高光谱影像分类方法。以Indian数据集和Pavia数据集为例,开展降维、显著性映射图获取和支持向量机监督分类实验。结果表明,本文方法能够较大地提升高光谱影像的分类精度和效率。
遥感 图像分类 聚类降维 视觉注意机制 多尺度显著性检测 激光与光电子学进展
2019, 56(21): 212802
海军航空大信息融合研究所, 山东 烟台264001
分析了高分辨率SAR图像中海洋背景和舰船目标的特点，针对高分辨率SAR图像提出了一种两阶段舰船目标快速检测算法：第一阶段采用改进的频谱残差视觉显著计算模型快速获取视觉的感兴趣区域；第二阶段检测阶段，结合贝叶斯理论二元假设检验的思想，设计了一个局部最大后验概率分类器进行像素分类，经参数估计、判决准则完成显著区域内像素二分类以实现目标检测。实验采用典型的高分辨率SAR卫星Terra-SAR-X卫星数据进行仿真实验，结果表明所提算法具有良好的检测性能，也更加符合实际高分辨率图像舰船目标检测的应用需求。通过进一步实验与以往检测算法的对比得出结论，高分辨率SAR图像舰船目标检测方法在能够改善由斑点噪声和不均匀的海杂波背景对检测结果带来虚警的同时，检测速度也提高了25%~50%。
合成孔径雷达图像 舰船目标检测 频谱残差模型 视觉注意机制 局部最大后验概率分类器 synthetic aperture radar image ship target detection spectral residual model visual attention mechanism local maximum posteriori probability classifier
1 中国科学院 长春光学精密机械与物理研究所, 航空光学成像与测量重点实验室, 吉林 长春 130033
2 中国科学院大学, 北京 100049
在航天航空光学遥感舰船目标检测中, 受大气、光照、云雾和海岛等海面不确定条件的影响, 传统的舰船检测方法存在检测效率低和可靠性差等问题, 因此, 本文提出一种无监督海面舰船目标自动检测方法。该方法以视觉显著性为依据, 结合多显著性检测模型快速搜索海面目标, 生成显著图后对其进行粗分割, 对提取的目标切片做标记并进行精细分割, 利用改进的Hough变换旋转目标主轴以保证目标对Y轴的对称性; 对可能检测到的厚重云层和岛屿等伪目标使用梯度方向特征进行鉴别, 通过判定目标在360°范围内8个区间的梯度幅度统计值, 确认舰船目标及去除伪目标。实验结果表明, 该舰船检测方法能够成功提取海面上大小不同, 位置随机分布的舰船目标, 准确获取舰船目标的数量和位置信息, 在大量真实光学遥感图像上的测试结果显示, 本文方法检测准确率高于93%, 通过目标鉴别处理, 剔除伪目标后, 虚警率可低于4%, 鲁棒性较强。
计算机视觉 舰船检测 视觉注意机制 显著性区域 梯度方向特征 computer vision detection on ships and warships visual attention mechanism saliency area characteristics of gradient direction
军械工程学院 导弹工程系, 河北 石家庄 050003
针对传统滑动窗目标检测方法需要在全图像范围内穷举搜索的缺点, 提出了一种基于视觉注意机制的粒子窗检测方法, 旨在保持较高检测精度的同时减少计算量。该方法将目标显著性作为先验知识引入搜索过程, 采用“图像签名”方法生成显著图, 然后通过阈值门限提取出包含有目标真实位置的局部区域。利用蒙特卡洛采样在显著目标对应的图像范围内均匀生成粒子窗, 并依据分类器的响应对粒子进行重采样, 以凸显真实目标区域、避免滑动窗方法对搜索步长的依赖。建立了Adaboost+类Harr特征(HLF)和支持向量机(SVM)+方向梯度直方图(HOG)的多级分类器结构, 前级分类器用于大范围目标的快速筛选, 后级分类器用于小范围目标的精确定位。将本文目标检测模型与传统滑动窗法和粒子窗法进行了比较, 结果表明本文方法的受试者工作特征曲线(ＲＯＣ)包含的面积更大, 耗时仅为滑动窗法的1/3到1/4, 粒子窗法的1/2, 在保持较高检测精度的条件下显著提升了检测速度, 实现了快速准确的目标检测。
目标检测 视觉注意机制 图像签名 粒子窗 多级分类器 target detection visual attention mechanism image signature particle window multi-stage classifier 光学 精密工程
2015, 23(11): 3227
1 海军航空工程学院控制工程系，山东烟台 264001
2 中国国防科技信息中心，北京 100142
提出了一种基于感兴趣区域 ROI（Regions of Interest）的红外舰船目标定位方法，通过改进的 Itti模型提取包含目标的感兴趣区域，实现目标定位。首先应用小波变换代替 Itti模型的高斯滤波生成图像多尺度金字塔，并用 center-surround算子提取多尺度的视觉差异，再将生成的视觉特征图进行归一化并线性组合，生成显著图，最后运用交替式有效子窗口搜索算法 A-ESS（Alternating Efficient Subwindow Search）定位目标区域。实验结果表明：该方法能准确定位出目标区域。
目标定位 视觉注意机制 感兴趣区域 显著图 object localization visual attention mechanism regions of interest saliency map
1 海军航空工程学院 控制工程系， 山东 烟台 264001
2 中国国防科技信息中心， 北京 100142
提出了一种基于视觉显著图的红外舰船目标定位方法，即通过改进的Itti模型 生成视觉显著图，并基于视觉显著图分割出目标区域，从而实现目标检测。先用小波变换替代Itti 模型中的高斯滤波来生成图像多尺度金字塔，然后用center-surround算子提取出多尺度的视觉差异特征，并 对生成的视觉特征图进行合成，生成显著图。最后，利用阈值分割方法分割出目标区域，并对原始图像进 行标记，从而实现目标检测。实验结果表明，与传统的Otsu阈值分割方法相比，该方法能够准确检测出目标 区域。
目标检测 视觉注意机制 感兴趣区域 显著图 target detection visual attention mechanism region of interest saliency map
北京工业大学 信号与信息处理研究室,北京 100124
提出了一种基于视觉注意机制的感兴趣区检测方法：使用分水岭方法分割图像区域；根据生物的视觉注意机制特性,选用中央周边差的采样方式提取图像特征,将不同维的图像特征融合为显著图；显著点经过竞争得到的注意焦点作为分水岭分割的种子点,然后融合显著图和分水岭分割区得到感兴趣区；遵循返回抑制和邻近优先的准则选择并转移注意焦点,从而计算区域的重要性或兴趣度.实验结果表明该方法符合生物的视觉注意机制,在自动检测感兴趣区时可以有效减少过分割,也能较好的处理大对象.
图像检索 感兴趣区 视觉注意机制 分水岭分割 注意焦点 Image retrieval Regions of interest Visual attention mechanism Watershed segmentation Focus of attention
1 天津大学 电气与自动化工程学院,天津 300072
2 南开大学 现代光学研究所 光电信息技术科学教育部重点实验室,天津 300071
将视觉注意机制引入到直方图构造中,并在此基础上提出了一种新的基于灰度级信息量直方图的图像增强算法.该算法利用Itti视觉注意计算模型对图像的显著性进行分析,获得全局显著图；然后,将全局显著图划分为若干等大的子区域,求取各子区域的平均显著值,并做归一化处理,得到子区域的加权统计系数；再将各子区域的灰度级加权统计值相加,得到灰度级信息量直方图；最后,依据直方图均衡化的映射函数,调整灰度级的动态范围.实验结果表明,该算法明显优于经典的GHE算法和AHE算法,具有满意的视觉效果.
图像增强 视觉注意机制 信息量直方图 直方图均衡 Image enhancement Visual attention mechanism Information histogram Histogram equalization
