图像显著性范文（精选10篇）
图像显著性 第1篇
该方法主要可以分为5部分:局部统计均值、局部统计方差、局部边缘比较、关注区域检测、整合,如图1所示。
1.1 局部统计均值模型
残差图像统计均值测量是计算失真信号与原始信号之间的统计误差,若误差越小,从统计意义上来说失真信号与原始信号的差异越小,图像的逼真度就越高,获得的图像质量评价也就越高。计算公式:
E=X-Y (1)
其中X和Y分别表示参考图像和失真图像,E表示残差图像,
1.2 局部统计方差模型
残差图像的统计方差反映了残差信号与平均值的偏离程度。通过实验证明了这一观点,即具有相同MSE的两幅图像,方差小的图像具有较高的主观评价分数(MOS),方差大的图像具有较低的MOS,故图像质量不仅与残差图像的均值有关,也与其方差有关。由于局部方差包含了图像的大部分信息,故在本课题中,残差图像的方差的测量是基于块的。其计算公式为:
其中,
1.3 局部边缘比较模型
很多研究结果表明:边缘和轮廓信息很可能是当人类捕捉场景时最重要的结构信息[1]。基于以上想法,通过测量参考图像和失真图像之间的边缘向量来反映图像的模糊程度,使图像结构信息的改变与感知图像质量的变化比较接近。计算为:
其中,σ′x、σ′y分别为参考图像X的方向向量和失真图像Y的方向向量的标准差,σ′xy为向量X方向向量和Y方向向量的协方差。在分子和分母上分别加一个常量C,原因有二:一是为了防止分母为0;二是为了使结果在可视范围内更有效。
边缘向量图的计算:对每个像素P(i,j),它的边缘向量定义为Di,j={dxi,j,dyi,j},其中dxi,j和dyi,j通过垂直方向和水平方向的Sober算子边缘掩膜得到。边缘向量也可以通过模值和相角来表示。
模:AMPi,j=|dxi,j|+|dyi,j| (5)
相角:ANGi,j=dxi,j/dyi,j (6)
方向向量的计算:对图像进行Sober滤波,用公式(5)和公式(6)计算每个像素的模和方向;对每个像素的方向量化成8个离散的方向;对块内相同方向的所有像素的模进行相加。
1.4 关注区域检测模型
从信息论的角度,有效的编码将图像H分为两部分:H(奇异)和H(先验知识)。其中,H(奇异)代表了新奇部分,H(先验知识)表示应该被一个编码系统压缩的冗余部分。在图像统计领域,这些冗余对应环境中的统计不变部分。现在,自然图像不是随机的而是服从高度可预测性这一观点被普遍接受。以下的方法[2]通过去除统计冗余部分来近似新奇部分,来检测显著区域。
相同的图像的频谱对数曲线有共同的趋势,即对数频谱上显示了局部线性的特性,尽管这些图像在统计上具有奇异性。这样可以认为在频谱上的统计奇异性对应着图像的异常区域,即频谱的冗余部分(即奇异部分)代表了图像的奇特部分,可以认为是显著区域。
设I(x)为一幅图像,具体方法如下:均值化的频谱:
A(f)=([I(x)]) (7)
相谱:P(f)=([I(x)]) (8)
其中,(I)为I的傅里叶变换,A(f)为图像I(x)的傅里叶变换的频谱,P(f)为I(x)的相谱。对数频谱:
L(f)=log(A(f)) (9)
频谱冗余:
R(f)=L(f)-hn(f)*L(f) (10)
显著图:
S(x)=g(x)*-1[exp(R(f)+P(f))]2 (11)
其中,hn(f)为n*n的中值滤波算子,其和为1,g(x)为一个二维的高斯平滑算子,采用平滑是为了使显著图有更好的视觉效果,本文取n=11。
1.5 融合
关注区域通常是边缘性很强的区域,此时由于对比度掩盖效应,此区域的噪声很大程度地被掩盖,故变得很不明显,反而凸显边缘的重要性,故赋予局部边缘比较模型较大的权值,赋予局部统计均值和方差较小的权值。在非关注区域,情况相反。由于人眼更关注关注区域,即对关注区域的失真更敏感,故关注区域权值增大显然是合理的。在框架中的每个整合模块中均采用如下形式进行融合:
result(x,y)=a·m(e)+b·v(e)+c·e(x,y) (12)
其中,m(e)·v(e)·e(x,y)分别为局部统计均值模型、局部统计方差模型、局部边缘比较模型的输出矩阵,a、b、c 对不同区域取不同的值。本文中,在关注区域a、b、c分别取0,0,1;在非关注区域分别取0.45,0.45,0.1。由于人眼更关注关注区域,对关注区域的失真更敏感,故关注区域的权值应大于非关注区域权值。通过实验可知,当关注区域与非关注区域权值比取1.5、1.6或者1.7时,两个相关系数取最大值,在本文中取1.5。
2 结束语
基于已有的客观质量评价方法,以及视觉生理学和视觉心理学的最新成果,提出了一种基于显著性的质量评价方法。在对失真进行分类的基础上,首先对残差图像的局部区域进行均值、方差进行统计,这些指标能非常好的检测噪声失真,从而更好地体现出图像的统计特性。其次,提出的采用局部边缘向量方法来精确地检测到模糊失真,而模糊失真往往对应着边缘和轮廓的失真,从而证明所提出的方法对结构失真比较敏感。
参考文献
[1] Guan-Hao Chen, Chun-ling Yang, Sheng-Li Xie. Gradient-based Structural Similarity For Image Quality Assessment[Z]. ICIP 2006.
显著性不是问题 第2篇
在被誉为互联网金融元年的2013年，由支付宝与天弘基金合作推出的“余额宝”在互联网、金融财经等领域的各种年终盘点、年终评选或者年度榜单、年度事件中，都当仁不让的盘踞榜首。而新年伊始，余额宝的规模在2014年1月15日15点已逾2500亿元，天弘基金也借此一举超越华夏基金，在管理资产规模上坐上了基金公司头把交椅。
这里不想重复天弘基金如何凭借余额宝这个“草根理财神器”，成功逆袭基金大佬的故事。我只想借着这个由头裹挟一点知识产权的私货：有关商标显著性的问题。阿里巴巴集团在包括基金投资、金融服务等多个类别及相关的商品或服务项目，提出了“余额宝”商标的注册申请。从商标法的角度，余额宝算是个好商标吗？
余额宝的功能和原理很简单：作为一种金融创新，阿里巴巴允许用户可以把支付宝账户的“余额”，从支付宝账户转到“余额宝”，直接购买“天弘增利宝货币”货币基金。可以看出，“余额宝”三字颇有些描述产品内容或功能的意义，从商标法上看，显著性并不太高。所谓显著性，可以简单的理解为：凡是商标标识的内容或含义与其所指示的产品（或服务）的质量、主要原料、功能、用途、重量、数量及其他特点，关系越远的则显著性越强，关系越近的则显著性越弱。
事实上，就像苹果公司执着于i P o d、 iP h o n e、 iP a d等各种“ i ”打头的商标一样，阿里巴巴及其下属公司也沉迷于各种“宝”：淘宝、支付宝、积分宝、余额宝，大概“淘宝”带来了福运，于是各种“宝”器不断。连天天基金网推出的类似余额宝的基金业务，也叫作活期宝、定期宝。这些品牌都算是显著性较低的商标。
在法律上，显著性低的商标有着天然的缺陷。首先面临的是注册障碍，商标局可能以缺乏显著性为由将商标注册申请驳回。2001年9月，箭牌公司在口香糖等商品上向商标局提出“C OOLWHITE”商标的注册申请，但被以缺乏显著特征与识别作用为由驳回申请。在商评委驳回复审失败后，箭牌公司上诉到法院也没有得偿所愿。法院认为，商标“C OO LWHI TE”的含义包含有“凉的、凉快的与凉爽的、白的及白色的”等含义，若指定使用在口香糖、糖果等商品上描述性较强，直接表示了这些商品的口味、颜色等特点，属于《商标法》所指不得作为商标注册的标志。
其实，即使排除注册障碍而成功注册，显著性较低的商标也会存在其他不利。比如，别人使用相同或相似的商标，容易成功主张合理使用或者不具恶意。国内彩电行业的厦华诉长虹系列案件，已经表明了这一点。广州中院认为，厦华公司所注册的C H D T V商标5个字母中的4个（H D TV）为行业内高清电视的通用名称，其显著性并不明显，且该商标厦华自称是在2003年初才使用在产品上，使用时间短、缺乏知名度。而长虹高清电视机使用H DTV和 H DTV Re ady标志为合理使用，厦华无权禁止。
不过，即使如此，很多企业仍然乐此不疲的推出显著性较低，甚至是直接表示商品一些特点的商标。比如，蒙牛的“真果粒 ”牛奶 ——果真是牛奶中有 “果粒”，格力电器的 “冷静王”空调也属于此种情形。企业偏爱显著性较低商标的原因很简单，比如，好听易记便于传播，容易向受众传递产品特质等，这些考量当然不是基于法律，而是基于商业。企业有着自己的商业逻辑，不可能完全拘束于法律的束缚。更何况，也有一些成功的例子，比如LG公司的“竹盐”牙膏（竹盐系该款牙膏的主要原料），不仅顺利通过了注册，而且在2009年还跃升为“驰名商标”。
事实上，显著性较低的商标即使不能通过商标注册，只要未违反商标法的强制性规定，也照常可以使用。并且经过使用之后，完全可能产生第二含义而获商标注册，或者享受到反不正当竞争法上知名商品特有名称之类的保护。因此，从商业上讲，显著性不是问题。
图像显著性 第3篇
随着我国航天事业的发展,卫星遥感图像数据量急剧增长,这给遥感图像的存储及传输均带来了极大的挑战。为了解决高保真数据编码与有限带宽之间的矛盾,基于感兴趣区域(ROI)的图像编码技术成为可行的解决办法。近年来,图像编码技术[1]取得了很大的发展,涌现出了一大批优秀的算法,如JPEG、EZW、JPEG2000等。在JPEG2000中,提出了两种标准的ROI算法,一种是基于偏移的一般算法,另一种是最大位移法(Maxshift),它们均是通过按照比例缩小背景系数(BG)而实现的。在此基础上,Zhou Wang等人提出了逐个位平面偏移算法[2,3],达到了灵活控制ROI与BG质量的目的。2003年,Lijie Liu等人提出了一种部分位平面偏移算法[4],实现了对ROI系数的进一步细分。2005年,梁燕等人结合上述算法提出了一种通用部分位平面偏移算法[5]。2006年Libao Zhang等人通过将位平面划分为交互部分和补偿部分,提出了一种交互补偿位平面偏移算法[6]。可以看出,基于JPEG2000的位平面偏移算法是目前ROI实现的主流。但是,位平面的偏移必然导致编码位平面的增加,从而带来编码效率的降低;其次,JPEG2000算法在带来极佳的编码效率同时,也导致了庞大的计算量和很高的算法复杂度,难以实时实现。CCSDS组织在2007年发布了面向空间应用的专用图像编码算法[7](CCSDS算法)。该算法编码性能较佳,编码过程较为简单。因此,在目前航天数据传输系统中得到广泛应用。国内外许多学者针对CCSDS算法进行了深入研究[8,9,10,11],但是,对于CCSDS算法中的感兴趣区域压缩算法研究较少[11]。
为了解决卫星应用中高保真遥感图像传输与有限带宽之间的矛盾,本文提出了一种CCSDS算法中基于视觉显著性的感兴趣区域图像编码算法。感兴趣区域信息可通过视觉显著性提取算法自动获取;较少的模板信息传递提高了编码效率;CCSDS算法的编码框架简化了算法的计算复杂度。因此,本文算法能较好地适用于卫星应用场合,从而为未来卫星应用搭载高分辨率的成像载荷提供较好的技术支撑。
1 CCSDS中的位平面编码算法
文献[7]提供了一种适合于空间图像压缩的位平面编码算法。实验表明,该算法具有较好的编码效果,而且算法简单,复杂度低。算法中,对于采用三级小波变换后的图像数据,采用树状结构构成组成如图1所示的编码块结构,此编码块为编码时的基本单位。
在位平面编码的过程中,首先需要对所有DC系数进行Rice差分编码。编码时,首先需要根据小波系数计算一个截断阈值q,DC系数大于q值的位平面将进行差分编码,如图2所示。
在Rice编码之后,将对所有的AC系数以及DC系数剩余位平面进行位平面编码,如上图所示,编码扫描从位平面BitDepthAC-1开始,到最低位平面0结束,每个位平面在扫描过程中都将经历stage 0~4五个编码步骤。关于每个编码步骤的实现细节可参看文献[7]。
2 基于视觉显著性提取的感兴趣区域图像编码算法
2.1 基于视觉显著性的图像感兴趣区域自动提取技术
在感兴趣区域编码算法中,首先要选定感兴趣区域,这就涉及到ROI区域的提取问题。ROI的提取方法大体上来说可以分为两种:
第一种方法是通过用户介入,由用户自己在图像中标定,这也是最常用的一种方法。这种方法可以很好地选择感兴趣区域,但是不适合于我们的应用。另一种方法是通过计算机自动识别并标定感兴趣区域。但是,如何正确高效地识别出ROI区域是一个相当困难的问题。在已知的研究领域中,可以通过目标识别的方法,利用各种特征分割出目标,从而确定ROI区域。但是,如何将这种方法应用于提取ROI区域,存在如下两个问题:第一,在确定ROI区域之前,首先需要确定感兴趣的具体目标,因此只能应用于特定场合;第二,目标识别系统规模庞大,复杂度高,耗时长,并且无法保证识别结果的正确性。
为了设计出简单有效的系统,国内外学者对此做出了一定的研究[12,13,14,15]。但是,上述方法要么适用范围较窄,只适用于特殊的应用场合;要么效果不太理想,仅具有研究意义。
在遥感图像的感兴趣编码应用中,其实很大一部分情况下我们并不清楚我们具体对什么“感兴趣”,那么,在这种情况下,我们又如何提取ROI区域呢?在对任务的分析中我们发现,其实这种情况与我们日常生活中观察事物很类似,我们在对视觉信息的处理中,总是可以很快地找到我们“感兴趣”的目标,尽管在此之前我们并不知道我们对什么有兴趣。如果我们设计的系统能够具有人的这种特性,那么所有问题都能迎刃而解。
2.2 基于显著图的视觉注意计算模型
Koch等人通过多尺度下初级视觉特征的提取,局部对比度分析及其融合,最终生成显著图[16]。但是,在该模型中,提取了颜色、亮度、方向3种基于视觉特征并采用了Gaussian滤波器以及Gabor滤波器。在卫星应用中,一般处理灰度图像,没有颜色特征,并且由于Gaussian以及Gabor滤波器需要庞大的计算量,不利于在相关设备上进行硬件实现,因此在上述模型的基础上,我们的算法如下:
1)利用小波变换来产生相应的多尺度结构,不使用Gaussian以及Gabor滤波器。在原有模型中,使用Gaussian和Gabor滤波器产生了9个尺度的特征金字塔,然而,相应滤波算法计算复杂度高,如此多的尺度分解过于细化,最低尺度往往只有几个像素。以一幅512×512大小的图像为例,其最低尺度的大小仅为2×2,对于实际计算来说已经没有多大的意义。考虑到如此,在设计相关ROI提取算法时,结合已有的压缩编码算法,并考虑到小波变换的尺度分解效应,我们使用3级小波变换来产生相应的尺度结构。
2)由于一般的遥感图像没有颜色特征,因此,对于特征的选取需要另行考虑。首先,依然选取亮度特征作为主要特征,在这里,由于已有图像为灰度图像,因此,亮度I=f(x,y)。其中,f(x,y)为原始图像。如上所述,通过对原有图像进行3级小波分解,建立了原始图像在小波滤波器下的尺度结构。通过小波分析的知识,我们知道,对图像进行小波变换后,其LL子带为原始图像在低尺度下的近似,而其余高频子带分别代表了原始图像在水平、垂直以及对角线方向的方向信息。因此,我们选取其归一化的LL子带作为亮度特征在低尺度下的图像,选取其余高频子带作为方向信息。然后,我们对亮度特征进行局部中心矩变换,得到三种类型的纹理信息M0,1、M1,0、M1,1,以此作为方向信息的补充:
式中:局部窗口大小为(2w+)1×(2w+)1。通过上述特征的提取,我们得到了不同尺度下的特征图,其中,亮度4幅,方向9幅,纹理12幅。
3)对于相同以及不同特征的融合,仍然采用原算法的“中心-周边”算子和相应融合操作。但是,由于此时尺度数已经大大减少,相关尺度运算中关于“中心”和“周边”尺度的定义已经不再适合,因此重新定义θ运算,其中c∈{0,1,2},周边尺度s=c+δ,s∈{1,2,3},δ∈{1,2,3}。
4)去除WTA网络,在最终显著性映射图的基础上通过阈值分割、形态学“腐蚀-膨胀”处理、孔洞填充以及小区域去除等一系列后处理操作来产生最终的ROI模板。
适用上述算法的感兴趣编码系统框图如图3。从图3中可以看出,在小波变换后,背景轮廓的Rice编码由于是针对整个图像进行的,因此不需要ROI模板信息,此时利用上面改进后的算法可以同步进行ROI掩模的快速计算,并指导接下来的ROI编码工作,大大提高了系统的工作效率。
2.3 基于局部码块优先的ROI编码算法
通过对文献[7]中位平面编码算法的分析,可以发现,算法在位平面扫描的过程中,最基本的单位是一个编码块,如图1所示。这种编码块结构由一个低频子带系数以及相应的零树结构上的63个高频子带系数构成,由于小波变换的金字塔模型,一个编码块实际上对应的是图像中的一个8×8的块,因此,每个编码块实际上具有极大的空间局限性。基于此,本文的感兴趣区域编码方案框图如4所示。
本算法通过提升ROI区域编码块在比特平面编码中的优先级来达到ROI编码的目的,算法简单且易于实现,完全不增加编解码复杂度,其编码过程包括四个部分:1)掩模编码;2)轮廓编码;3)ROI精度保证编码;4)BG编码以及ROI精度提升编码。
整个编码过程是一个对编码图像不断细化的过程,借鉴位平面提升原理图,整个编码过程如图5所示。
1)掩模选取以及编码方法
通过前面章节中的ROI提取算法,根据小波变换后的系数分布生成如图6所示的掩模。图中所示的黑色区域表示ROI区域,相应的,对应区域的小波系数为ROI系数。
在前文所述的位平面编码算法中,采用基于空间方向树的编码块结构。因此,处于LL子带的掩模实际表示了所有处于ROI区域的编码块。基于此,LL子带的掩模为实际有效的掩模,需要对其进行编码并传输到解码端,以便解码端进行同步的解码。
由上述可知,需要进行编码的掩模大小为1/64图像大小,编码时ROI区域用1表示,非ROI区域用0表示。对于8位的灰度图像,采用此种简单编码方式下掩模编码的编码量为整个图像数据量的1/512,如编码区域为规则区域,所需的编码量甚至可以忽略不计。此外,还可进一步通过游程编码降低掩模编码的数据量,提高编码效率。
2)轮廓编码
在JPEG2000的最大偏移法和一般偏移算法中,当压缩码率低于一定程度时,都会出现一种情况,那就是整个重建图像只有前景(ROI)信息,而没有背景(BG)信息。背景信息完全丢失的情况是我们不希望看到的,因为这会导致整体信息的丢失。在这种情况下,ROI压缩已经失去意义,因为我们完全可以只对ROI区域进行无损或近无损压缩,并在传输中只传输这部分信息,从而得到更好的局部压缩效果。
在我们提出的感兴趣区域压缩算法中,首先将对图像的轮廓进行编码,从而在解码端可以对图像进行一种框架性的重建。通过本步骤的编码,可以保证用户得到图像的整体信息,在此基础上,后续的编码再提供ROI与BG区域的细节。这种先考虑整体,再按优先级分别补充区域细节的编码方式跟人的视觉感知过程是一致的,因此可以获得相当良好的主观视觉质量。
在算法中,对图像的轮廓编码是由Rice编码来实现的。通过对所有DC系数,也就是LL子带的所有系数进行阈值截断并进行差分Rice编码,从而在解码端可以得到LL子带的MSB,并利用这个LL子带的近似值对图像进行重建,得到原图的轮廓以及框架。此轮廓框架是原图像的一个模糊表示,丢失了细节信息,但给出了图像的整体信息。
3)ROI精度保证编码
在轮廓编码的基础上,接下来我们对ROI区域的细节进行编码传输,在轮廓图上填充ROI区域的细节。在整个算法中,ROI编码主要是通过优先对感兴趣区域的码块进行编码来实现的。同时,可以通过调整ROI区域内的DC系数以及AC系数的细化编码程度来控制前景-背景相对质量。ROI细化编码程度越高,ROI重建质量也越高,相对的,其占用的码流资源也越多,背景质量也就会相对下降。一般来说,ROI编码时应既保证ROI区域的质量,又要避免其过多的编码冗余,进而过于损害背景质量。
4)BG编码以及ROI精度提升编码
在完成ROI编码的基础上,如果还有剩余的码率,则可以继续对BG区域进行编码,提升BG区域质量,或者对ROI区域剩余位平面进行编码,以进一步提升ROI区域的精度。
3 实验结果及分析
3.1 实验结果
在实验中,我们采用如图7所示的两幅遥感图像作为测试图像,图像大小为512×512。
为了提取出ROI区域,将上述两幅图像利用本文的视觉注意算法进行显著图计算,得到的视觉显著性图如图8所示。
在图8的视觉显著性图的基础上,利用阈值分割、形态学“腐蚀-膨胀”以及孔洞填充等后处理操作进行处理,最终得到的ROI二值模板如图9所示,其中,白色区域为ROI区域。
结合自动提取的ROI模板进行ROI编码,得到的重构图像如图10所示,压缩比为16和32。
上面为本文算法的主观视觉效果,为了能较好地说明本文算法的优点,我们将本文算法与JPEG2000算法中的一般偏移法(模板采用与本文相同的二值模板),文献[11]中的BAO-ROI算法进行对比,通过客观性能指标PSNR进行衡量。在此我们将图像分为ROI和BG两部分,对这两种类型的区域分别计算其客观性能指标,计算结果如表1和表2所示。
(a)Compression ratio of 16;(b)Compression ratio of 32.
3.2 性能分析
从表1和表2可以看出,与JPEG2000的一般偏移算法和BAO-ROI算法相比,本文提供的算法BG区域质量稍弱于前者,但ROI区域质量要高许多,ROI-BG对比更加明显,更加符合人眼的视觉感知,因此拥有更好的主观视觉效果。在压缩比为8时,码率资源相对充足,“目标”区域失真不明显,重建图像整体较好;在压缩比为16和32时,采用一般偏移法,ROI区域质量较差,因此,“目标”区域信息丢失较多。在本文算法中,保持BG信息基本质量的前提下,“目标”区域信息得以较好保持,性能较佳。另外,相对于BAO-ROI算法而言,本文算法需要传递较少的模板信息,整体上提高了CCSDS算法的编码效率;同时,结合了基于视觉显著性的感兴趣区域自动提取机制,算法的灵活性和应用性更强。
而本文提出的多级感兴趣压缩算法相对来说具有如下的优点:
1)算法没有位平面的提升,因此避免了冗余位平面的增加,从而增加了编码效率;
2)算法的流程非常简单,算法的计算复杂度较低;
3)由于保证了基本的背景质量,因此不会出现背景信息完全丢失的情况,并且可以灵活地调整ROI以及BG区域的相对质量,从而获得良好的视觉效果。
4)可对任意形状的ROI进行编码,对于不同ROI,可以选择不同编码精度。
4 结论
本文针对遥感图像在卫星应用中有限信道下高保真传输的需求,在分析现有图像编码算法的基础上,完成了以下工作:
1)提出了适合于CCSDS图像编码标准的ROI编码算法。基于CCSDS标准的编码框架可以降低编码算法复杂度,便于实时实现,适合于卫星应用场合。
2)引入视觉注意机制,采用一种基于视觉显著性的自动提取算法提取感兴趣区域。采用3级小波变换,利用小波低频子带建立亮度金字塔,高频子带建立方向金字塔,引入局部中心矩做为纹理特征。因此,降低了计算复杂度,同时充分跟压缩编码模块契合,取得了良好的效果。
3)通过标示需要优先编码的编码块来确定掩膜位置,有效地节省了码流资源。
图像显著性 第4篇
过去人们认为，在排卵期，女性的性欲会增强，这样可以增加受孕机会，提高生育率，有利于物种繁衍。
最近研究发现：在女性最容易受孕的排卵期，与性相关的神经活动水平显著下降：而在月经期，与性相关的神经活动水平与平时无明显差异。
研究人员认为女性在进化过程中“有意”地隐藏其排卵期，目的在于提升其从男性那里获得的照料，并隐藏子代的血缘关系，从而提高婴儿的安全性。另一种可能的解释是妊娠会使女性付出巨大代价，所以在受孕可能较大的排卵期，女性会在完全不自觉的情况下变得更加慎重。
塑料制品可使男孩“女性化”
美国研究人员发现，塑料制品所含化学物质邻苯二甲酸盐的某些种类有抑制男性胎儿体内激素的作用，致使男孩“女性化”。
研究人员测试一些孕妇尿液里邻苯二甲酸盐的含量，孕妇产后，等婴儿4到7岁时，研究人员调查他们喜欢的玩具和游戏。
结果发现，邻苯二甲酸盐的两个种类DEHP和DBP可能影响儿童的玩耍行为。如果孕妇体内的邻苯二甲酸盐浓度较高，产下的男婴喜欢男孩玩具和打斗游戏的可能性较小。研究人员认为，这一研究结果意味着某些种类的邻苯二甲酸盐有影响胎儿脑部，抑制男性胎儿睾丸激素的作用。另外还发现，邻苯二甲酸盐可致使男婴生殖器先天畸形。
5类人最易发生新生儿出生缺陷
北京大学生育健康研究所一项研究证实，可能导致新生儿出生缺陷的有5个高危因素。这是该所历时十几年、在全国范围内对2000万名孕期至7岁的儿童进行跟踪的研究结果。
准妈妈年龄在35岁以上者；
孕早期受过病毒感染，特别是风疹病毒感染者：
孕早期部分微量元素缺乏，特别是碘与叶酸缺乏者；
孕早期接触过X线或笨、铅、汞等有害物质者；
孕早期用药未经医生指导者：
对此，专家给出的建议是有高危因素的准妈妈们应在孕早期接受B超检查，怀孕14周至18周之间的B超检查可以筛查出大部分心脏畸形、神经管畸形和唇腭裂等。
曾有流产经历的女性，早产几率可增35％
加拿大一项医学研究发现，曾经选择过流产的妇女在随后的生育中，生低重早产儿的风险增大。在妊娠期前三个月或孕中期流产一次，生低重儿的风险增加35％，早产的风险增加36％。流产超过一次以上的，生育低重儿的风险增加72％，生早产儿的风险增加93％。
据该研究报告的作者说，流产导致早产或低重儿风险增大的原因可能有多种，但最可能的原因是老式流产手术对妇女子宫颈造成了损伤。
常喝葡萄酒易受孕
丹麦的科学家最新研究发现，滴酒不沾的妇女不容易怀孕。丹麦的研究人员称，经常喝葡萄酒的妇女比喝啤酒和白酒的妇女更容易受孕。
图像显著性 第5篇
图像的显著区域是指图像中最能表达图像语义的部分,提取图像的显著区域可以忽略图像中不容易引起人眼兴趣的次要部分,对于图像压缩、图像检索等研究都有重要意义。为了获取图像的显著区域,研究人员总结出一种自底向上的区域生长方法。即先使用分水岭等方法将图像分成细小的子区域,再对子区域进行筛选、合并等方法[1]以最终得到人眼感兴趣的显著区域。
为了克服传统区域生长算法存在的显著区域过生长、欠生长和空洞等缺陷,该文提出一种改进的方法:选择符合人眼视觉感知的颜色空间,对初始分割前的图像计算彩色分量的梯度图,以克服传统方法利用灰度图像进行分割而忽略人眼对图像的颜色感知所带来的不足;对梯度图利用分水岭分割算法,将图像预分割成子区域;综合评价显著度和边界强度,选取得分较高的子区域作为种子区域;对得到的种子区域进行区域生长,利用区域的低层特征和邻域间的相互关系等多种因素决定生长的尺度和方向,得到最终的符合人眼视觉特征的显著区域。
2 本文算法详述
2.1 彩色图像的梯度计算
由于分水岭分割以梯度图像作为输入,且彩色图像的梯度较亮度分量的梯度具有更完整的信息,故本文首先计算图像的彩色信息梯度图。该方法借鉴文献[1],彩色信息梯度公式定义如(1)所示:
式中∇(Ii)(i=1,2,3)分别代表RGB彩色空间三个颜色分量梯度,其中最大的分量梯度即为该图像的彩色信息梯度。
2.2 图像初始分割
本文采用L.Vincent[2]提出的分水岭分割算法进行初始分割。该算法以2.1节得到的梯度图像作为输入,将图像上的每一个局部极小值及其影响区域视为集水盆,当局部极小值的影响域逐渐外扩,汇合形成分水岭,算法最终所得到的封闭的集水盆即为图像分割区域。虽然分水岭分割算法对噪声、细纹敏感,易产生过分割现象,但其得到的分割区域封闭,且边缘连续,有利于后期合并等处理。
经过以上两步,就得到分水岭分割的结果。图1中a显示的是原图像,b是灰度图的梯度图,c是b的分水岭分割结果,d是本文方法得到的梯度图,e是d的分水岭分割结果。可以看出本文方法得到的分水岭分割结果明显优于传统方法。
2.3 种子区域选取
分水岭算法将图像分割成大量子区域,为了得到图像的显著区域,需要选择显著区域所在的种子区域进行后续的区域生长。传统的选取种子区域的方法存在许多不足:衡量标准单一或标准之间不具备互补性,不符合人眼显著特征[3],设置参数过多等导致计算复杂度较高[4]。
本文在选取种子区域的过程中,选取两个特征作为衡量标准——显著度与边界强度。综合考虑这两个特征可以较好地符合人眼显著特征。
2.3.1 衡量显著度
对于显著度,该文采用程明明等[5]提出的基于区域对比度的视觉显著区域检测算法(RC算法)。该算法同时考虑全局对比度和空间相干性,可以简单有效地产生全分辨率的显著性图。图2是RC方法生成的显著图,显著度的值越大则亮度越大。
本文选择RC算法是因为用该算法得到的显著图用于图像分割,不论是固定阈值二值化还是迭代应用GrabCut[6]方法进行显著性物体分割,在Achanta等[7]提供的公开测试集上测试准确率和召回率都能达到90%以上。
本文改进了RC算法,将区域的显著值进行排序,记录前10个显著值最大的区域作为候选的种子区域,记录它们的几何中心点P(x,y)和显著度值λs。
2.3.2 衡量边界强度
对于边界强度,该文采用式(2)定义:
其中Ri表示经过分水岭分割算法得到的子区域,RB表示子区域的边界区域,∇ˉ(∙)表示相应区域的平均梯度。
2.3.3 综合衡量显著度与边界强度
对上文得到的前10个显著值最大的子区域,利用它们的中心点P(x,y)定位所属的分水岭分割子区域,计算该子区域的边界强度值λe。为了在选取种子区域时综合考量显著度与边界强度,定义种子区域选取准则如式(3):
Rseed的值越大,表明该区域显著度越高且远离物体边缘,即越有可能被选为种子区域。
如图3显示了本文方法得到的前3个Rseed值最大的区域(矩形框框中的区域),即选出的用来进行下一步区域生长的种子区域。实验结果表明选出的种子区域能较好地符合人眼视觉注意机制。
2.4 种子区域的生长
种子区域的生长即是由种子区域出发,迭代地合并相似的邻域。而判断区域之间的相似性,就需要设计恰当的区域相似度度量方法。该文的度量方法既考虑区域间低层特征的相似性,又考虑了区域是否位于物体边界以及区域间的可合并度。
为了衡量区域间低层特征的相似性,该文选取颜色和面积两个特征,借鉴文献[7]中衡量区域间颜色均值的相似性的方法,综合考虑面积因素,该文定义衡量公式(4):
其中,Rmg与Ri分别表示当前合并区域与当前合并区域的某个邻域,后文中相同的变量表示相同的涵义,S(Rmg)和S(Ri)是分别代表Rmg与Ri的区域面积大小,Cmg与Ci分别表示它们在Lab空间的颜色平均值,之所以选取Lab颜色空间是因为它更符合人眼视觉系统的特点[8]。
为了衡量区域是否位于物体边界,该文借鉴文献[9]提出的相对边界强度,定义衡量公式(5):
其中,∇ˉ(Rmg),∇ˉ(Ri),∇ˉ(Rmg,i)分别表示Rmg和Ri的平均梯度以及Rmg和Ri边界的平均梯度。
为了衡量相邻区域是否可合并,该文认为可以考虑相邻区域公共边界占区域总边界长度的比例,比例越大,则相邻区域合并的可能性越大。由此定义衡量公式(6):
其中,L(Ri)表示区域Ri的边界长度,可以用边界像素个数近似;L(Rmg,Ri)表示Rmg和Ri的公共边界长度,同样可以用边界像素个数近似。
种子区域生长的方法即由种子区域出发,利用公式(4)~(6)(对每一个公式选取恰当的阈值),迭代地合并相邻的可合并区域,得到最终的区域生长结果。
3 实验及结果讨论
3.1 实验结果
为比较衡量本文区域生长算法的性能,将本文算法与几种分割方法进行了对比实验。这里介绍一下Achanta等[8]的Frequencytuned(FT)显著区域检测算法。FT算法首先利用Mean-shift对图像进行初始分割,通过获取图像的频率、颜色及亮度信息计算各个区域的显著值,最后将各个区域的显著值与整幅图像的显著值进行比较,将较大于平均值的区域块归为显著区域部。图4列出了本文方法的分割结果与其他几种方法的比较。
3.2 实验结果评价
为评测本文算法的有效性,我们从文献[8]中获取400幅图像的人工分割结果(Ground Truth)作为基准数据集。基准数据集是经两个阶段获取的,首先用户对显著物所在区域绘制矩形框,接着再在矩形框内人工分割出显著物体并保存成二值图。人工分割的二值图能准确地标注出图像中单个或多个显著物体。
将基准数据集中的二值图记为G,将算法提取的显著图记为A,我们用准确率和召回率来检测算法的有效性。进一步,为了更准确地计算算法的平均正确率和召回率的性能,我们引入Fb测量:
其中∑xgxax表示二值图和提取的显著图的公共部分。该文取β2=0.3来使准确率的权重高于召回率,实验结果如表1所示,其中,Fb测量1是将数据库中的所有图像的Fb值求平均得到的,而Fb测量2,则是通过列一和列二代入式(7)得到的。
通过表1可以看出本文算法具有很强的适用性,能够较准确地提取图像中人眼感兴趣的区域。
4 结束语
本文提出了一种基于区域生长的彩色图像显著区域提取算法。首先将颜色梯度图应用于分水岭算法,得到较优的初始分割区域。之后结合RC显著区域检测算法与边界强度信息定位最有可能符合人眼视觉特点的若干个种子区域。最后通过综合考虑区域间颜色面积等低层特征的相似性、区域是否位于物体边界以及区域间的可合并度,设计衡量函数,迭代地完成区域生长算法,得到图像的显著区域。实验结果表明,该文的方法能提取到相对于其他算法更加准确、完整和空洞较少的符合人眼视觉注意机制的显著区域。
摘要：提出了一种改进的基于区域生长的彩色图像显著区域提取算法。该算法在颜色梯度图上应用分水岭分割算法,改进了图像初始分割的效果。综合考虑分割区域的显著度和边界强度,选取恰当的种子区域。在区域生长时考虑分割区域间低层特征的相似性、区域是否位于物体边界以及区域间的可合并度,设计了三个区域可生长度评价函数。实验结果表明,该算法简单、快速,且能提取出更符合人眼视觉特征的显著区域。
关键词：显著区域,彩色分量梯度图,分水岭分割,区域生长,可生长度评价
参考文献
[1]王艳娟,陈晓红,邹丽.图像感兴趣区域自动提取算法[J].科学技术与工程,2007,7(12):2867-2871.
[2]郑剑锋.基于感兴趣区域的图像分割及其在图像检索中的应用[D].上海:上海交通大学,2008.
[3]Luc Vincent,Pierre Soille.Watersheds in Digital Spaces:An Efficient Algorithm Based on Immersion Simulations[J].IEEE transactions onpattern analysis and machine intelligence,1991,13(6):583-598.
[4]Jia-Nan Wang,Jun Kong,Ying-Hua Lu,et al.A Region-Based SRG Algorithm for Color Image Segmentation[C].International Conferenceon Machine Learning and Cybernetics,Hong Kong,2007:1542-1547.
[5]Itti L,Koch C,Niebur E.A Model of Saliency-Based Visual Attention for Rapid Scene Analysis[J].IEEE Transactions on Pattern Analysisand Machine Intelligence,1998,20(11):1254-1259.
[6]Ming-Ming Cheng,Guo-Xin Zhang,et al.Global Contrast Based Salient Region Detection[C].IEEE Conf on Computer Vision and PatternRecognition,2011:409-416.
[7]C.Rother,V.Kolmogorov,A.Blake.Grabcut:Interactive Foreground Extraction Using Iterated Graph Cuts[J].ACM Transactions on Graph ics,2004,23(3):309-314.
[8]R.Achanta,S.Hemami,F.Estrada,et al.Frequency-tuned Salient Region Detection[C].IEEE Conf on Computer Vision and Pattern Recog nition,2009:1597-1604.
[9]刘友明,刘希顺,等.一种基于LUB均匀颜色空间的彩色分割方法[J].微型电脑应用,2000,16(12):27-29.
分类数据的显著性检验 第6篇
定性数据有时只表示事物的属性, 如人的性别, 婚姻状况, 物体的颜色、形状。我们常用数"0"和"1"来表示其属性的分类。而有些事物的属性有一个顺序关系, 如人的文化程度由低到高可分为文盲、小学、初中、高中、中专和大专、大学等5类。用数0, 1, 2, 3和4分别表示文盲, 小学, 初中, 高中, 中专和大专, 大学。有如顾客对某商场营业员服务态度的评价分为"满意"、"一般"、"不满意"三类, 可分别用"3"、"2"、"1"表示。这些数只起一个顺序作用, 这一类数据称为有序定性数据, 简称有序数据。
本文将对分类数据的显著性检验问题做一些讨论。主要介绍分类数据的-检验和似然比检验。
分类数据的显著性检验一般有如下提法。
设总体的某个指标数据被分为r类:A1, …Ar。根据相关理论, 或从经验出发提出了一个原假设:
H0:类Ai所占的比例为Pi=Pi0 (i=1, …, r)
其中:为已知的r个数。对该总体进行n次独立重复观察, 每次观察一个个体, 看它属于哪一类。此时, 个体的观察值不是数, 而是事物的属性。
设n个个体中属于Ai类的观察个数为。显然, 。基于观察值对原假设H0进行检验。
1分类数据的X2-检验
也可以通过计算P值完成检验的程序。P值等于自由度为r-1的X2变量大于等于X2统计量值的概率:P (X2 (r-1) ≥X2) 。如果a≥P值, 则在水平a下拒绝原假设H0;如果a
2分类数据的似然比检验
分类数据的检验问题也可以用统计中常用的似然比检验方法。观察值ni (i=1, …, r) 服从多项分布M (n, p1, …, pr) , 其分布律为。
或者也可以写成
令的偏导数为0, 可以求出P1, …, Pr的极大似然估计分别为。
由此得检验问题的似然比为
Λ的值在0与1之间, 其值越接近1, 则越倾向于认为检验问题的原假设Ho为真, 所以在Λ的值越接近0, 或者在的值比较大的时候拒绝原假设Ho。通常把-2ln (Λ) 称为似然比检验统计量。
在原假设Ho成立时, -2ln (Λ)的渐进分布和皮尔逊的X2统计量的渐近分布相同, 都是X2 (r-1) , 起自由度都等于类别个数r减去1。事实上我们也可以根据似然比检验统计量的极限分布定理, 从而在原假设Ho成立时, -2ln (Λ)有渐进分布X2 (r-1) , 其中渐近X2分布的自由度可看作完全参数空间被估价的独立参数的个数与原假设成立时参数空间被估价的独立参数的个数的差。
显著性水平为a的似然比检验的拒绝域为。
也可以通过计算p值完成检验程序。p值为。如果, 则在水平a≥p下拒绝原假设Ho;如果a
参考文献
[01]张尧庭, 方开泰.多元统计分析引论[M].北京:科学出版社, 1982.
[02]王静龙, 梁小筠.定性数据统计分析[M].北京, 中国统计出版社, 2008.
[03]史希来.属性数据分析引论[M].北京:北京大学出版社, 2006.
图像显著性 第7篇
关键词：路基,蒸发,试验,影响
在温度、风等外界因素作用下, 水会发生蒸发作用。土壤中的水分也会在这些因素影响下因蒸发而减少, 但是路基土毕竟与原状土有所区别, 即较大的压实度和较小的孔隙率, 蒸发的因素对路基含水量的变化一般表现在长期缓慢的作用。Thomas等[1,2]采用一维Richard水分运动方程模拟了在气候变化下土体脱湿变干行为。之后Thomas等[3,4,5]采用非饱和土力学流固耦合理论, 分析了土体湿度、变形的季节性变化规律, 计算模型中蒸发边界条件均直接取自气象观测所得的潜在蒸发量。卢再华[6]对膨胀土边坡进行了土与大气相互作用的数值模拟;Cui等[7]采用Wilson提出的模型对法国某试验现场非饱和土中的含水率和温度变化进行了数值模拟;陈建斌等[8]重点分析了在气候等外界因素对非饱和土的蒸发量的影响因素;贺再球研究了非饱和土气态水迁移规律及耦合计算公式与液态水的混合迁移情况。
然而在强降雨的条件下短时期内对路基含水量变化将会产生什么样的影响, 影响效果到底有多大, 与降雨因素相比影响的显著程度究竟如何现有的研究较少。所以, 本文通过模型试验验证蒸发作用对路基中含水量动态变化影响的显著性。同时, 探求蒸发作用下水分在路基中不同部位的分布规律情况。
1 模型试验
1.1 试验原理
制作一个含水量已知、特定压实度的路基物理模型, 将模型放置在一定条件的环境下, 只允许土基在边坡处发生蒸发作用, 对土基中的含水量按时间间隔进行测量, 一段时间后对比此时的含水量与初始含水量的大小, 从而验证蒸发作用对土基中含水量变化的显著性。
1.2 试验过程
1) 场地清理和模板的建立。清除场地范围内的杂草, 挖除草根;表面土清除:表面种植土用铁锨清除, 整平, 露出鲜土为止;地表填充前碾压, 用压实铁饼对地表进行压实;用砖 (高20 cm) 围成11..55 mm××11..22 mm的的场场地地, , 并并在在砖砖壁壁上上每每1100 ccmm标标出出分分层层线线。。
2) 路基的填充和夯实。首先用试验用土在地表撒铺一层约2 cm~3 cm。防止地表干燥对试验数据产生影响。根据之前计算按压实度76%, 每层的土用量为310斤 (155 kg) , 水6.92 kg (共三层465 kg±水20.76 kg) 。
3) 削坡。对路基横断面进行划分, 双车道+路肩, 削坡坡度比为1∶1.5, 用塑料薄膜把路基模型上面及三周 (除边坡外) 罩住。制作好的物理模型试验示意图如图1所示。
1.3 试验数据采集
试验通过模拟西南地区雨季, 边坡水分的蒸发对整个路基含水量的影响, 试验数据每隔10 h测取, 相当于实际情况下每隔3 d测含水量。整个试验阶段共为8 d。每天上午9点, 下午16点各测取一次数据, 数据采集过程如下:
1) 在事先划分好的区域内, 利用水分感应器进行测量, 注意试验过程感应器一定要垂直路基表面插入, 垂直表面拔出, 同时避免对路基表面的损坏;
2) 待插入后间隔1 min左右读取数据并作相应记录, 然后继续下一区域的测量, 注意按规定区域测量;
3) 边坡测量时, 由于边坡的蒸发量大, 所以测量宜先插入半针, 然后再插入全针。分别量测边坡不同深度的含水量, 边坡测量的区域按均匀等分原则可分为8大块, 16小块。按相应位置进行量取;
44) ) 数数据据采采集集完完毕毕后后, , 进进行行汇汇总总分分析析, , 得得出出路路基基内内部部含含水水量量随随时间的变化关系曲线, 路基边坡含水量随时间, 深度变化的关系曲线。
2 试验结果与分析
各个测区分布位置如图2所示。
边坡区含水量变化曲线图如图3所示。
从图中可以看出:
1) 路基模型上边坡在室温 (25℃左右, 并存在昼夜温差变化) 、一级~二级风速、无降水补充、路基压实度为77%等条件下经过4 d的蒸发作用含水量降低3.1%;同样, 中边坡、下边坡在相同条件下路基含水量分别降低了3.2%, 5.6%。
2) 边坡含水量呈整体下降趋势。早期含水量下降较快, 后期含水量下降速度逐渐降低, 并最后趋于稳定。
3) 由于边坡是路基模型直接受蒸发作用的区域, 蒸发作用较为显著;但随着表面土基中水分的蒸发流失, 表面与空气直接接触的水分减少, 所以边坡含水量蒸发速度呈现出先快后慢、最后趋于稳定的特点。
土基模型中含水量在蒸发作用下随时间变化规律及一定时间后在空间上的分布规律如图4, 图5所示。
从图4和图5中可以看出, 路基模型一区、二区、三区范围在室温 (25℃左右, 并存在昼夜温差变化) 、一级~二级风速、无降水补充、路基压实度为77%等条件下经过4 d的蒸发作用含水量降低约1%;路基含水量总体呈先降低、后逐渐稳定的变化趋势, 含水量的降低主要发生在前3次的测量中。边坡含水量发生变化, 但是变化量较少, 在空间上分布范围也较小, 由于试验考虑的是雨季的变化情况, 4 d (对应于实际中10 d左右) 的含水量一般会有降水的补充, 所以, 从试验结果可以看出, 路基中含水量在雨季受蒸发作用影响较小。
3 结语
路基模型上边坡在室温 (25℃左右, 并存在昼夜温差变化) 、一级~二级风速、无降水补充、路基压实度为77%等条件下经过4 d的蒸发作用含水量降低3.1%;同样, 中边坡、下边坡在相同条件下路基含水量分别降低了3.2%, 5.6%。边坡含水量呈整体下降趋势。早期含水量下降较快, 后期含水量下降速度逐渐降低, 并最后趋于稳定。路基模型一区、二区、三区范围在室温 (25℃左右, 并存在昼夜温差变化) 、一级~二级风速、无降水补充、路基压实度为77%等条件下经过4 d的蒸发作用含水量降低约1%, 路基中含水量在雨季受蒸发作用影响较小。
参考文献
[1]刘祖典.黄土力学与工程[M].西安:陕西科学技术出版社, 1996.
[2]黄文熙.土的工程性质[M].北京:水利电力出版社, 1981.
[3]扈胜霞, 周云东, 陈正汉.非饱和原状黄土强度特性的试验研究[J].岩土力学, 2005, 26 (4) :660-663, 672.
[4]夏旺民, 郭增玉.Q1黄土的弹塑性损伤本构模型[J].岩土力学, 2004, 25 (9) :1423-1426.
[5]BLIGHT G E.Interactions between the atmosphere and the earth[J].Geotechnique, 1997, 47 (4) :715-767.
[6]卢再华.非饱和膨胀土的弹塑性损伤本构模型及其在土坡多场耦合分析中的应用[D].重庆:后勤工程学院博士学位论文, 2001.
[7]CUI Y J, LU Y F, DELAGE P, et al.Field simulation of in site water content and temperature changes due to ground-atmospheric interactions[J].Geotechnique, 2005, 55 (7) :557-567.
一种改进的显著性区域提取模型 第8篇
在视觉上,人们总是能迅速地把目光集中在自己感兴趣的方面。显著区域是图像中最能引起人们的兴趣且是最能表现图像内容的区域[1]。图像的显著区域提取即寻找图像中可能引起人眼视觉关注的区域。虽然人们的感兴趣区域是相当主观的,但由于人的视觉系统和注意机制存在着共性,使得图像中的一些区域总能对人眼产生刺激。
视觉关注是人类视觉系统捕获外界场景中有意义部分的一种机制。对于视觉注意机制,目前大部分的研究是如何建立自底向上的模型,其中最具影响力的是Itti和Koch等人提出的Saliency模型[2],利用人的视觉感受野、侧抑制神经网络模拟了人的视觉注意力机制。但该模型最终的显著区域的范围是固定的形状,不利于后期的处理并且存在漏检测和检测顺序不合乎人类视觉注意特征的情况。
本文借鉴Itti模型算法的思想提出一种改进的模型算法,该模型采用Achanta等人[3]提出的频域调和(Frequency-tuned)的显著性检测方法来提取图像的颜色特征,避免出现显著区域反转现象;加入形状低层特征提取,采用倒数函数来代替方向提取时的Gabor函数滤波,以达到改善显著图的目的。
1 Itti模型的原理
Itti模型分为显著图的计算和注意区域的选择与转移两大部分。图1为Itti算法的模型框图。该模型分别选取了3个低层的属性作为图像的特征即图像的亮度、颜色和方向。整个过程可叙述如下:首先将输入的图像分解为9层高斯金字塔形成多尺度的图像,再用函数滤波器依次滤波各个尺度的图像,然后应用中央—周边算子算法得到各个特征的特征图,通过跨尺度合并以及归一化计算得到三个特征的显著图,将得到的三幅显著图进行线性融合得到总的显著图,最后通过神经网络胜者取全的方法得到注意区域。
2 改进的Itti模型
文献[4]中在生成方向特征函数时提到了一种利用倒数函数来代替Gabor特征函数,显著目标投影的显著度明显的低于显著目标自身的显著度,在很大程度上减少了对显著目标误判的可能,取得了较好的效果。文献[3]中提出了频域调和的显著性检测方法,用所得到的图像的高频信息来作为图像的显著信息。人眼对物体的轮廓形状信息会有较强的感知能力,即便是在根据颜色、亮度和方向信息对物体进行注意后,轮廓也能提供重要的特征信息,它是帮助判断物体整体形态的重要依据[5]。本文在此基础上借鉴Itti模型的思想,提出了一种改进的Itti模型的方法。该模型具体框图如图2所示。
2.1 视觉特征的提取
想要更加全面的描述一幅自然图像,就要针对其各个方面的视觉属性选择多种简单图像特征。本文基于Itti模型[2]的基本方法提取图像的颜色、亮度、方向和形状4个低层特征来获得图像各个特征的特征图。
2.1.1 亮度特征的提取
设r(t),g(t)和b(t)分别表示原始图像中的红色、绿色和蓝色通道,其中t表示图像的尺度,将原始图像的尺度设置为0,则亮度特征图的计算方法公式为
I(t)=(r(t)+g(t)+b(t))/3 (1)
高斯金字塔的结构非常形象准确地模拟了人眼的多分辨特性。采用中央—周边算法跨尺度合并计算不同分辨力图像之间的差来提取特征图。亮度特征计算为
I(c,s)=|I(c)·I(s)| (2)
式中:c是非线性尺度空间中表示的高分辨力的尺度因子,s是对应的低分辨力下的尺度, c∈{2,3,4},s=c+δ,δ∈{3,4}。将上述特征图进行合并得到亮度显著图,公式为
式中:⊕表示多个尺度下相应的特征显著图经线性插值调整到同一大小后相加,N为分别将各个显著图的显著值标准归一化到(0,1)区间。
2.1.2 方向特征的提取
Itti模型中方向特征是对输入图像采用Gabor滤波后得到O(σ,θ),θ∈{0°,45°,90°,135°},经过大量实验证明发现该方法产生的方向显著图不能准确地突出整个显著性目标而仅仅突出了显著目标的边缘。借鉴文献[5]的思想,本文利用倒数函数替代Gabor函数来提取方向特征,倒数函数表达式为
参照文献[5]中的参数设置,将倒数滤波函数中的参数设置为:γ=1,δ=2.33 (经验值)。
方向特征是对输入的图像采用上述倒数函数滤波后得到O(σ,θ),其中θ∈{0°,45°,90°,135°},方向特征计算为
将上述特征图进行合并,得到方向显著图公式为
从图3中可以看出,使用倒数函数生成的方向显著图可以有效地补充原方法生成的方向显著图中显著目标内部空虚的现象。
2.1.3 颜色特征的提取
显著区域即为变化强烈的区域,也就是频谱中的高频成分。由于Itti模型在提取颜色特征时可能会出现显著区域反转现象,因此可以通过过滤掉图像中的低频部分,提取其高频部分作为图像的显著区域。
这里采用Achanta等人[3]提出的频域调和的显著性检测方法。先将颜色变化到均匀的CIELab颜色空间,再对变换后的图像进行高斯低通滤波,最后求原图与滤波后的图像的差的平方,即为颜色的显著图,记为
式中:Iu为像素值的算术平均;Iwhc为原始图像经过高斯模糊得到的。
从图4中可以看出,利用频域调和的方法得到的颜色显著图,省去了Itti算法中的中央—周边算法,该算法得到的颜色显著图中块效应有所减少,并且能较好地避免显著区域反转现象。
2.1.4 形状特征的提取
本文在Itti 模型的基础上加入了轮廓特征提取,添加形状通道的目的是用来提取目标物体的整体轮廓。目前虽然有Canny,Sobel以及Roberts等算子用来提取图像边缘,但提取结果有的过于精细有的又过于粗略,容易对最终结果造成干扰。本文借鉴文献[5]采用Sobel算子进行边缘提取。其形状特征计算为
E(c,s)=|E(c)·E(s)| (8)
将上述特征图进行合并得到形状显著图,公式为
2.2 图像特征图的合并
在各特征图中的显著信息都是互补的,对通过计算得到的4个特征图相继提取出了不同类型的显著图,将它们用线性方法结合起来,适应不同类型图像的显著区域提取。将4个显著图进行线性相加得到
3 实验结果分析
本文在Intel Pentium 1.6 GHz、内存1 Gbyte、MATLAB 7.6.0(R2008a)的实验环境下进行。采用文献[5]应用的图像库中的图像,选择几幅场景图为本文的实验图。图5为两种模型提取的效果对比图。图5a表示原始图像,图5b表示利用Itti得到的显著图,图5c表示用本文的模型方法得到的显著图。从图5可以看到,本文改进的模型算法所得到的显著图较为清晰,块效应也有所降低且显著区域也较为突出,本文的模型算法要优于经典的Itti模型算法。
4 结论
本文基于Itti的模型算法提出了改进的模型算法。由于目标物体的轮廓能够提供重要的信息,因此加入了边缘特征的提取;在方向特征图提取时引入倒数函数来代替Gabor函数,这样可以改善采用Gabor函数提取方向特征图时带来的显著目标内部空虚的现象。在颜色特征图提取上采用了频域调和的显著性检测方法,这样不仅简化了程序、提高了效率,更避免了显著区域反转现象的出现。综合分析得知,本文算法较Itti模型算法在效率上有所提高,精度上更加准确。但同时也存在明显的不足:当图像较小、图像中的显著目标也较小时,提取出来的显著目标的轮廓不是很清晰,且模型算法的效率也不高。
摘要：基于Itti模型,提出一种改进的模型来提取图像的显著区域,即分别提取原始图像的亮度、颜色、方向和形状4个低层特征,并且将这4个低层特征的多尺度显著图融合成一幅综合的显著图。在图像方向特征提取中采用倒数函数来代替Gabor特征函数,这样可完善方向特征图。该模型与经典的Itti模型相比较,提取出来的显著图更为明显,速度较快且易于实现。
关键词：显著区域,显著图,特征提取,视觉注意机制
参考文献
[1]王国营,梁春迎.一种图像显著区域的提取方法[J].计算机应用,2010,30(6):1619-1621.
[2]ITTI L,KOUCH C.Computational modeling of visual attention[J].NatureReviews Neuroscience,2001,2(3):194-230.
[3]AEHANTA R,HEMAMI S,ESTRADA F,et al.Frequency-tuned salient re-gion detection[C]//Proc.IEEE Conference on Computer Vision and PatternRecognition(CVPR2009).[S.l.]:IEEE Press,2009:1597-1604.
[4]李志强.视觉显著性模型研究及其在影像处理中的应用[D].上海:上海交通大学,2009.
图像显著性 第9篇
关键词：驰名商标反淡化保护；固有显著性；获得显著性
中图分类号：D923 文献标识码：A 文章编号：1671-864X（2016）03-0064-01
一、案例简介：
中国中信集团有限公司（简称中信公司）把中信文字商标分别注册了第37类的第839873号商标，核定服务项目为建筑领域；第36类的第847836号商标，核定服务项目为金融服务业。中国中信集团有限公司认为“中信”为臆造词汇，显著性强，具有极高的知名度，江苏中信建设公司（简称中信建设）将与该商标相同的文字使用为企业字号，主观上具有攀附中信公司商誉的目的，客观上足以使相关公众对其提供的服务产生混淆，淡化了“中信”文字商标，构成对中信公司商标权的侵害。江苏中信建设公司辩称：“中信”文字商标缺乏显著特征，为叙述性商标。因而”中信”一词的显著性弱，将“中信”词汇作为企业名称不会造成相关公众的混淆和误认。法院经审理认定由于中信公司使用“中信”作为企业名称简称和注册为商标，”中信”才为公众所熟知，并与中信公司产生了无法分割的密切联系，因而在商标法意义上具有很高的显著性、识别性，江苏中信建设公司使用”中信”为其企业字号，侵害了中信公司的企业名称权、商标权。①
二、案例引出的问题
具体在本案中法院认为“中信”为公众所熟知，并与中信公司产生了无法分割的密切联系，因而在商标法意义上具有很高的显著性、识别性，进而认定中信建设把“中信”商标注册成企业名称，会淡化商标的显著性，因此，应当认定中信建设的行为侵犯了中信公司的商标权。就本案的裁判过程来看，法院对中信建设公司所陈述的本案认定的驰名商标核定服务项目为第36类金融服务业，而其经营的是建筑业，两者毫无关联，涉及的公众差别极大，不存在混淆或误导公众的可能，且”中信”一词是通用词汇，显著性不高、识别性不强，在保护范围上非常有限的主张，法院不予认可。相反法院认为，正是由于中信公司的使用，“中信”才与中信公司产生了无法分割的密切联系，具有可在商标法意义上具有很高的显著性、识别性。很显然这种显著性应该属于“获得显著性”，理由有三：一、就单纯中信这个词汇作为企业名称而言，其确实可以理解为企业“立跟中华，忠信立企”企业理念的简称，也可以理解为企业把“中华民族忠信”作为企业文化的简写，从这一层意思上将中信是个公共领域的词汇；第二、把“中信”作为服务类商标，直接明白的蕴含着服务质量的特征，所表达的时服务本身的特征，目的是用文字商标所含文字原始本身的语词含义来引起相关消费者的心理共鸣，从而吸引相关消费者。第三、法院认定“中信”文字商标具有显著性是由于中信公司长期使用才使得该商标与企业具有了独一无二的联系的认定，这种认定商标获得显著性可以进行跨类保护是在综合考虑了中信公司的企业历史进程、企业行业背景、中信商标获得驰名商标保护的记录及相关的文件等多种因素才得出来的结果。
三、获得显著性对驰名商标反淡化保护的影响
《联邦商标反淡化法》中将商标淡化定义为：“减少、削弱驰名商标对其商品或者服务的识别性和显著性能力的行为，不管驰名商标所有人与他人之间是否存在竞争关系或者存在混淆和误解或欺骗的可能性。”②
驰名商标获得反淡化保护前提是必须要求符合显著性的标准，但是否要求这种显著性必须是固有显著性，一个不具有固有显著性的商标通过自己的长期广泛的使用和宣传，是否也可以获得驰名商标反淡化保护的待遇，笔者认为，对于那些固有显著性不高、识别能力也不强的商标，通过在市场上长期的使用和宣传，也是有可能享受到驰名商标反淡化保护的待遇。但是这种通过进过长期使用和宣传所获得的显著性进行反淡化保护时必须更为严格，要综合各种因素来判断，比如该商标权利人的历来的长期生产经营情况、广告宣传情况、该商标以往是否有认定驰名商标的记录等，对“获得显著性”商标进行反淡化保护时必须谨慎，不得乱用、更不能滥用。
注释：
①江苏省高级人民法院民事判决书（2014）苏知民终字第00229号
②孙雪亮：《驰名商标淡化：美国的理论与实践》，载《电子知识产权》2007年第2期
参考文献：
[1]商标法的理论基础[M].北京：法律出版社，2008.
[2]冯晓青.商标侵权专题判解与学理研究[M].北京：中国大百科全书出版社，2010.
[3]李小武.商标反淡化研宄[M].杭州：浙江大学出版社，2011.
图像显著性 第10篇
模仿人类视觉的显著性区域检测对图像的分析和理解过程有着非常重要的意义,图像中显著性特征往往是一些具有独特结构的局部区域,如角点、斑点、边缘连接点等,从图像中提取具有独特性的特征来表达图像内容是计算机视觉领域研究的热点,近年来利用光学和几何不变的局部特征来进行图像内容识别已经成了一条主要研究方向[1],广泛应用于图像理解,目标检测识别,图像检索等领域。
图像理解的一项主要目标是从图像中提取具有一定语义的特征从而表示图像内容,而真实图像内容都是具有尺度性质的,Lindeberg提出了图像尺度空间理论[2,3],即在无先验信息的条件下可以自动估算图像一些结构特征的尺度,并提取在一定尺度范围内具有良好显著性和独特性的特征来表示图像内容,同时证明了通过图像和多尺度核函数进行卷积可以将图像扩展到尺度空间领域,Koenderink等人证明了高斯函数核在其满足热扩散方程的前提下的唯一性[1],Lowe等人则提出了实用性较强的尺度不变特征SIFT[4,5],受到了相关研究领域学者的广泛关注。Mohr和Schmid等人使用大规模局部不变特征数据库来实现对图像的目标识别和图像检索[6],Mikolajczyk等人也提出了对仿射变换具有不变性的局部特征提取方法[1,7,8]。
同样基于图像的尺度判别的思想,Timor Kadir,Michael Brady等人从信息熵角度出发提出了一种显著性区域的检测方法[9,10],大量基于各种统计特性的显著性区域检测算法也不断涌现。显著性区域的检测算法完全依赖目标的复杂度或邻域统计信息,但是检测算法不具有几何和光学变换的不变性,限制了其应用。本文提出的算法通过分析局部区域二阶矩矩阵的特性来对局部区域的特征显著性进行估计,从而得出局部区域的显著性分析并在图像尺度空间的显著性区域内进行局部不变特征提取,从而提取出具有较高显著性和独特性的局部不变特征,多种真实图像实验证明本文检测算法检测效果较好,速度较快,达到了更好的特征匹配和检索效果。
1 显著性局部不变特征提取模型
本文局部不变特征提取算法主要包括三个组成部分:特征区域检测,特征区域描述,特征匹配或检索。
图1给出了本文算法的主要流程,将输入图像和多尺度二维核函数连续多次卷积展开成图像尺度空间,对空间局部奇异点进行检测得出特征点,再对相应尺度下特征点邻域构成的局部特征区域估算其二阶矩矩阵的性质并由此对局部特征的显著性区域进行检测,在显著性区域的指引下提取局部不变特征,最后进行特征的匹配或检索得到最终结果。
局部特征检测是检测出具有特征具有相对稳定性的局部图像区域,为避免图像和核函数多次卷积影响图像信息的分布,本文采用各向同性的高斯函数作为生成图像尺度空间的核函数,使用高斯差分函数(DOG)来检测局部特征区域。
2 DOG尺度空间的极值点检测
用I(x)表示二维离散图像在x=(x,y)处的像素灰度值,G(x,σ)为尺度系数为σ的二维高斯函数,如图2(a)所示,图像和高斯核函数多次卷积形成图像尺度空间L(x,σ)=I(x)*G(x,σ),同时为了加大尺度跨度,
在卷积的同时还采取了2倍下抽样,σ为高斯分布函数的方差同时也是尺度空间的尺度系数,由热扩散方程∂G/∂σ=σ⋅∇2G,可知:
则高斯差分函数(DOG)可近似表达为
符合Lindeberg的尺度空间理论要求的尺度系数σ的次数和核卷积函数的微分次数之和相等或者相接近的约束条件,k是常数,通过图像和高斯差分函数进行卷积将图像展开成带有尺度系数σ的图像尺度空间,这等同于图2(a)所示的尺度空间各个相邻尺度图像相减:
检测特征点K(x,σ)为检测尺度空间中具有局部极大值或极小值的点,如图2(b)所示:
其物理意义是检测在尺度为σ的图像中局部区域结构和二维函数∇2G具有最大相关度的区域的中心点,这类点通常是类似角点的点,这些点组成的点集K(x,σ){x∈Z2,σ∈R}表达了图像的结构信息。
3 特征区域的描述
真实图像的分布随机性差别较大,我们很难将图像干扰归类为某种特定的变化模式,过于确定性和针对性的提取模型很难适应随机的图像变化模式,所以只能从概率统计的角度去使得检测算法符合大多数的特征检测。如图3所示,对DOG尺度空间中检测出的特征点集K(x,σ){x∈Z2,σ∈R},局部特征描述就是在结构信息的基础上准确的描述图像的内容信息。局部区域内容的描述是通过一个N维的局部特征描述符向量DN(x,σ){x∈Z2,σ∈R}来表达的。
特征点检测都是直接或者间接的检测图像局部区域中正交方向上具有极大或极小各向异性的点,结构的各向异性程度一定程度上表现为区域的正交方向的曲率变化都比较明显,而二阶矩矩阵的特征值正是两个正交方向的曲率,这一性质可以使之常用于估算局部结构的各向异性程度,二阶矩矩阵又称为自相关μ(x,σI,σD),可以用来描述局部区域的结构和纹理信息的分布状况
二阶矩矩阵描述了一个点邻域范围内的图像梯度分布情况,σD控制着邻域的梯度偏导,σI控制着邻域的大小和邻域内像素的梯度对整个区域内的梯度分布的贡献权值,为了降低运算的复杂度一般假设σD=sσI s∈[0.5,…,0.75],s为经验值。考虑图像在拍摄视角发生变化时局部区域经历的仿射变换,x1=Ax2,x2为原图的坐标,x1为变换后的图像坐标,A为仿射变换矩阵,考察该局部区域的二阶矩矩阵
其中C为二维仿射高斯函数的方差矩阵:
由式(7)可知局部区域的二阶矩矩阵是具有仿射不变性的,式(7)是在假设局部区域的图像内容是平面物体的理想情况下推导的,真实图像并不满足该假设,但是在一定尺度下局部区域内能近似满足。因此,二阶矩矩阵虽然无法精确反映真实图像的变换模式,但利用这一性质却可以很大程度上降低仿射变换对特征提取的影响。
局部特征描述符是用来表示图像内容信息的特征表达形式,特征向量维数越高则描述精确,但计算量大,维数低则计算量小,速度快但描述符向量的显著性或独特性差,易出现误配,所以如何高效准确地提取特征十分重要。如图4所示的局部图像,显然在斜对角线周围的特征更加丰富且具有代表性,实验也表明描述符向量中的值并非是线性无关和同等显著的。
局部区域两个正交的方向上,二阶矩矩阵的两个特征值λ1,λ2(λ1<λ2),较大特征值λ2方向的局部图像的一致性优于其正交方向,该方向上的描述符向量的值大都较小且分布集中,较小特征值λ1的方向上则大多包含纹理、斑点等信息量大、显著性高的特征,其在描述符向量的值较大,分布分散,如图4所示,从简单的正交方向上局部区域的灰度直方图可以直观的看出,较小特征值λ1的方向的直方图分布平坦信息熵值较大,较大特征值λ2的方向的直方图分布集中信息熵值较小,根据尺度图像显著性区域检测原理,一定尺度下特征分布平坦且特征向量值较大的区域信息熵值高尺度的显著性强[9,10],更能凸显特殊的局部结构。本文利用二阶矩矩阵这一特性,使用局部区域的二阶矩矩阵的特征值参数来估算局部区域的显著性,并用其来进行局部特征的提取。对特征点集K(x,σ){x∈Z2,σ∈R}的二阶矩矩阵显著性特征提取算法步骤如下:
1)对第n个特征点K(xn,σn)截取以xn为中心,σn为尺度,半径R=3σn的局部尺度图像L(x,σn){x∈N(xn)}。
2)邻域像素L∈R(x,y,σ),计算其梯度值m(x,y)和方向θ(x,y):
统计局部尺度图像L(x,σn)的梯度方向直方图H(θ),将方向离散化为36个方向,提取主方向θn=argmaxH(θ)。逆时针旋转局部图像区域θn得到Lθ(x,σn),这样使得提取特征具有旋转不变性。
3)计算Lθ(x,σn,σD)=Lθ(x,σn)*G(x,σD),G(x,σD)是方差为σD的二维高斯核函数,求该局部图像块中心点xn处的二阶矩矩阵
4)计算二阶矩矩阵μ的特征值λ1,λ2(λ1<λ2),求特征值比值r=λ2/λ1。通过该比值生成二维仿射高斯函数如下式所示:
其中:x、y均为局部区域Lθ(x,σn)中的坐标。
该仿射高斯函数就是显著性估算函数,在G(x,C)>3σn确定的Lθ(x,σn,σD)内的区域范围即为信息显著性区域。
5)从Lθ(x,σn,σD)中显著性区域内提取局部特征,以xn为中心,生成仿射高斯函数的外接矩形,其轴向与椭圆的高斯函数的长短轴方向一致,将矩形等分成4×4的等面积区域,每个区域内统计8个方向的梯度方向直方图,这样就可以形成一个N=128维的特征描述向量dN(xn,σ){xn∈Z2,σ∈R},用二维仿射高斯函数G(x,C)卷积特征描述向量生成局部特征描述符DN(xn,σ)=dN(xn,σ)*G(xn,C)。
通过上述方式提取的局部特征能够更好的描述局部区域的独特结构和内容信息,在图像经历各种变换时能够更加稳定的表达图像内容,实验结果也表明匹配特征的数目和尺度跨度都得到了相应提高。
4 实验分析
对于特征性能评价是通过在内容相同的图像组中提取特征并匹配的准确率来衡量的,本文使用法国INRIA-LEAR的图像库进行实验,实验图像按照经历的几何和光学变换种类分为视角变换、旋转和尺度变化、模糊、光照变化等几组,其中由图像拍摄角度和位置变化造成的视角变换最能体现局部不变特征提取模型的性能,实验使用局部特征提取方面具有典型性的SIFT特征和本文提取的SMMLF(Second Moment Matrix Local Feature)特征进行对比。
对于提取出的局部特征以欧式距离作为特征向量之间的距离度量,计算其它图像中提取的特征中距离最近和第二近的两个特征按照下式所示原则判断是否存在匹配特征对:
M值为0则不存在匹配特征点,1则存在匹配特征点,T为经验阈值,T∈[0,1],一般取值为0.5。也可以采用RANSAC特征匹配算法,但考虑到RANSAC对一些错误的特征具有过滤效果,不利于实验对比,本文采用了上述的best-bin-first特征匹配算法来对比实验结果。
图5显示的是视角变化组中ubc图像组的实验结果,图像尺寸800×640,图像内容为带有尺度和旋转变化的非平面物体的建筑物。图5(a)是SIFT算法检测出的9对正确的匹配特征,圆形区域代表特征区域,圆的半径大小表示特征的尺度;图5(b)表示的是使用局部二阶矩显著性估算局部特征提取算法检测出15个正确匹配的特征,二者对比可知后者正确匹配的特征数目增多,且特征匹配的尺度分散跨度也要好于前者,这样的多尺度的特征组合更能表达图像内容。
图6为graffiti图片组的平面物体拍摄视角变化的实验结果,图像尺寸800×640,SIFT算法检测出21个正确匹配特征,本文算法检测出31个正确匹配特征,这说明算法对变换较为简单平面物体的特征也能取得较好的提取效果,也验证了前面所提到的其显著性估算对平面物体仿射变换有一定的补偿作用。
图7为在Inria-lear图像库中的实验对比结果图,图像库选取十种典型的自然场景图像,每组12幅图像做特征提取的对比实验,图像尺寸均为800×640,每组图像相互之间以正确提取的特征的平均数目作为参考结果,从实验结果可以看出除了inria图像组实验结果略微低于SIFT的效果之外,其余均好于SIFT方法的特征提取效果。
图8为按照图像经历的变换类型对所提取的局部特征的性能对比,从结果可以看出本文提取的特征在抗视角变换和模糊方面的性能优势较为明显,在光照和尺度的干扰下性能也有一定的改善,同时由于单一的旋转不会引起图像信息的损失,所以对特征提取的性能基本没有影响。
5 结论
本文提出了一种基于局部二阶矩显著性估算的局部不变特征提取方法,提取出的局部不变特征在各种图像变换中拥有良好的稳定型和生存性,实验也结果表明本文算法提取的特征具有较好的准确性,同时具有更大的尺度跨度,有效提高了特征匹配算法的性能,为目标识别提供更加准确的特征描述,更加符合人类视觉的识别原理。
参考文献
[1]Mikolajczyk K.Detection of local features invariant to affine transformations[D].France:Institute National Polytechnique de Grenoble,2002:37-40.
[2]Lindeberg Tony.Discrete Scale-Space Theory and the Scale-Space Primal Sketch[D].Stockholm,Sweden:Department of Numerical Analysis and Computing Science,Royal Institute of Technology,1991.
[3]Lindeberg Tony.Feature detection with automatic scale selection[J].International Journal of Computer Vision(S0920-5691),1998,30(2):79-116.
[4]Lowe D G.Object Recognition from Local Scale-invariant Features[C]//The Proceedings of the Seventh IEEE International Conference on Computer Vision,Kerkyra,Greece,Sept20-27,1999,2:1150-1157
[5]Lowe David G.Distinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer Vision(S0920-5691),2004,60(2):91-110.
[6]Cordelia Schmid.Image matching and retrieval based on local greyvalue invariants,with distinction Mention tres honorable avec felicitations[D].Computer Science,Institute National Polytechnique de Grenoble,1996.
[7]Krystian Mikolajczyk,Cordelia Schmid.Scale&Affine Invariant Interest Point Detectors[J].International Journal of Computer Vision(S0920-5691),2004,60(1):63-86.
[8]Krystian Mikolajczyk,Cordelia Schmid.A Performance Evaluation of Local Descriptors[J].IEEE Trans.on Pattern Analysis and Machine Intelligence(S0162-8828),2005,27(10):1615-1630.
[9]Kadir T,Brady M.Saliency,Scale and Image Description[J].International Journal of Computer Vision(S0920-5691),2001,45(2):83-105.
【图像显著性】相关文章：
差异显著性分析05-11
图像均匀性07-20
视觉显著05-11
效果显著05-07
显著特征区域05-16
昆明市城乡统筹成效显著06-08
中国茶文化的显著特色06-04
旺苍扎实推进安全社区建设成效显著05-22
长庆事业部安全生产成效显著05-26