基于图像风格转换的水下图像显著性检测算法_郭继昌.caj

针对复杂背景下船舶目标检测率低和光学遥感传感器的多光谱近红外(NIR)波段利用率低的问题,提出一种四波段多光谱遥感图像船舶目标显著性检测算法。所提算法利用四波段遥感数据中可见光波段图像的色彩内容饱满、

Canny算子高低阈值的选取依赖图像全局梯度信息的统计，图像全局梯度信息和局部梯度信息的分布通常存在差异，导致在局部范围中较明显的边界可能被漏检。针对该问题，提出一种根据图像熵信息对图像进行分块的边缘

摘　要:水下图像具有信噪比低、边缘模糊等特点,直接使用传统分割方法对水下图像进行处理,效果较差,存在边缘扩大、轮廓变形等缺点。为提出新的抗噪性能好、能够克服水下成像过程中非线性影响的算法,文中在模糊

为了提高可见光图像和红外图像的融合图像的细节信息以及保留对比度,提出了一种基于残差学习和视觉显著性映射的多尺度分解图像融合方法。首先,使用高斯滤波器和引导滤波器对图像进行多尺度分解,将其分解为基本层和

HC算法：基于全局颜色直方图的颜色对比度算法，即使用每一个像素与图像中所有其他像素的颜色对比差异来确定它的显著性值（差异越大显著值越大），从而得到全分辨率显著性图像

显著性检测算法常通过计算像素之间的差异来确定显著性，但是对像素的选取通常是固定的，容易忽略图像中物体的边界信息，导致最终检测结果中目标的边界比较模糊。借鉴生物视觉注意机制，提出了一种新的基于超像素和马

视觉显著性检测是很多计算机视觉任务的重要步骤，在图像分割、自适应压缩和识别物体方面都有很重要的应用。提出了一种基于HSV颜色、纹理特征和空间位置关系相结合的显著性检测算法。该方法先将图像分割成小的图像

针对复杂背景和运动条件下视频显著性区域检测准确度不高的问题，提出了一个新的时空一致性优化模型，并基于颜色空间分布和运动空间分布特征，结合时空一致性优化方法构建一个新的时空显著性区域检测模型，改进复杂运

由于现有的基于深度神经网络的显著性对象检测算法忽视了对象的结构信息，使得显著性图不能完整地覆盖整个对象区域，导致检测的准确率下降。针对此问题，提出一种结构感知的深度显著性对象检测算法。该算法基于一种多

基于c++的图像边缘检测算法kirsch算子等