图像和图形的显著性检测，及织物的缺陷检测

我们从多尺度和热扩散的角度系统地研究了图像和图形的显著性检测问题。

图像显著性检测

我们首先通过两层嵌套的有结构层次的分割—低分辨率层和高分辨率层，整合自底向上和自上而下两种显著性检测方式。在高分辨率层通过随机游走估计初始显著性，继而通过低分辨率层限制热扩散模型的种子的选取和扩散的范围得到物体级别的显著性，并且区别不同物体之间的显著度。相关结果发表在EI检索国际会议ICIP2013（计算机学会推荐C类会议）和ICDH2014。

此后，我们又根据对于重建误差的排序，提出一种自底向上的显著物体检测方法。我们先根据利用边界先验稠密重建和稀疏重建的误差估计两组初始显著性。然后分别排序并整合相应结果。最后得到鲁棒于杂乱背景的准确显著性估计。在两个公开数据集上的测试表明，我们的方法优于最近提出的12种经典显著性估计方法。相关结果于2014年发表在EI检索国际期刊Journal of Information & Computational Science。

同年，我们建立了一个各向异性的热扩散模型来检测自然图像中的显著性物体。相关成果于2015年发表在SCI检索期刊Journal of Electronic Imaging上。在此基础上，我们还提出一种基于学习的自适应PDE框架解决视觉显著性检测问题。使用各向异性扩散思想为图像的视觉显著性检测进行建模，应用次模优化（Submodular Optimization）技术从图像中学习最有代表性的显著区域，并使用该区域作为扩散PDE系统的热源，进一步使用位置、颜色和对比度等显著性先验知识引导扩散系统。该工作被计算机视觉顶级会议CVPR 2014（计算机学会推荐A 类会议）接收为Oral（本年度CVPR Oral 接收率为5.75%）。根据Google Scholar统计该工作已被引用30次。

随后，我们又从非局部均值滤波的角度考虑了显著性区域检测问题，提出了一个新颖的广义的非局部均值框架，通过结合物体级别的先验来检测图像显著性。实验结果表明我们的广义非局部均值框架可以有效的提取图像显著性并且我们的算法效果好于其他先进算法。相关成果于2015年在线发表在SCI检索期刊The Visual Computer上（计算机学会推荐C类期刊）。

发表文章情况：

1. Risheng Liu*, Guangyu Zhong, Junjie Cao, Zhouchen Lin, Shiguang Shan, Zhongxuan Luo, "Learning to Diffuse: A New Perspective to Design PDEs for Visual Analysis", IEEE Transactions on Pattern Analysis and Machine Intelligence, 38(12), 2457-2471, 2016. (SCI, IF: 5.694) (CFC A) (中科院工程技术1区)

2. Risheng Liu, Junjie Cao, Zhouchen Lin*, Shiguang Shan. Adaptive Partial Differential Equation Learning for Visual Saliency Detection. IEEE International Conference on Computer Vision and Pattern Recognition (CVPR), 2014: 3866-3873. (Oral, Accept rate: 5.75%) (Cited by 29) (CFC A)

3. Guangyu Zhong, Risheng Liu, Junjie Cao*, Zhixun Su. A generalized nonlocal mean framework with object-level cues for saliency detection. The Visual Computer. 32(5), 611-623, 2016. (SCI, IF: 1.073). (CFC C)(中科院工程技术大类4区；计算机科学小类3区)

4. Risheng Liu*, Guangyu Zhong, Junjie Cao, Zhixun Su. Diffuse Visual Attention for Saliency Detection. Journal of Electronic Imaging. 2015, 24(1), 13-23. (IF=0.85, SCI)

5. Yuxia Song, Junjie Cao, Risheng Liu, Guangyu Zhong, Zhixun Su*. Saliency detection via Ranking with Reconstruction Error, Journal of Information & Computational Science 11:13 (2014) 4467–4476. (EI)

6. Zhenzhen Zhang, Junjie Cao*, Guangyu Zhong, Wangyi Liu, Zhixun Su. Object Level Image Saliency by Hierarchical Segmentation. ICIP 2013, 1772-1776. (EI). (CFC C)