融合高低层多特征的显著性检测算法

针对单一显著性特征无法全面表达图像显著性致使显著性检测精度不高等问题，本文提出了一种多特征融合的显著性检测算法。算法在高层先验知识基础上，对靠近中心的超像素设置高显著值，利用高斯分布求解中心先验；在底层特征上融合图像的边界稀疏、全局对比度、颜色空间分布和超级像素差异等4种显著特征，利用类间差异最大阈值对高低层特征进行线性和非线性融合，最终得到高质量的显著图。在MSRA-1000、SED、SOD 3个公开的数据集上进行实验，结果表明：本文算法融合得到的显著图边缘清晰、显著区域突出均匀，在有效抑制背景信息的同时所得显著图像视觉感知更好，与其他显著性算法相比查全率和查准率上至少提高3.4%。     

融合相位一致性与二维主成分分析的视觉显著性预测

为了更加有效地预测图像中吸引视觉注意的关键区域,该文提出一种融合相位一致性与2维主成分分析(2DPCA)的显著性方法。该方法不同于传统的利用相位谱的方式,而是提出采用相位一致性(PC)获取图像中重要的特征点和边缘信息,经快速漂移超像素优化后,融合局部和全局颜色对比度,生成低层特征显著图。接着提出利用2DPCA提取图像块的主成分后,计算主成分空间中图像块的局部和全局可区分性,得到模式显著图。最后,通过空间离散度度量分配合适的权重,使两者融合,提取显著性区域。在两种人眼跟踪数据库上与5种经典算法的实验对比结果表明,该算法能更加准确地预测人眼视觉关注点。     

基于KL散度及多尺度融合的显著性区域检测算法

基于对超像素颜色概率分布间KL散度的计算,以及对多尺度显著图的融合处理,该文提出一种新的显著性区域检测算法。首先,采用超像素算法多尺度分割图像,在各尺度下用分割产生的超像素为节点,并依据超像素分割数量对各超像素进行适当邻接连通扩展,构建无向扩展闭环连通图。 其次,依据颜色判别力聚类量化各超像素内颜色,统计颜色聚类标签的概率分布,用概率分布间KL散度的调和平均值为扩展闭环连通图的边加权,再依据区域对比度并结合边界连通性,获取各尺度下的显著图。 最后,平均融合各尺度下显著图,并进行优化处理,得到最终的显著图。 在一些大型参考数据集上进行大量实验表明,所提算法优于当前一些先进算法,具有较高精确度和召回率,并且可以产生平滑显著图。     

基于超像素时空显著性的运动目标检测算法

针对复杂背景下运动目标检测存在的背景干扰、目标分割不完整等问题,利用目标静态灰度特征和运动特征,结合目标运动连续特性,提出了一种基于超像素时空显著图的运动目标检测算法。首先对图像基于简单线性迭代聚类算法(SLIC)进行超像素分割,以初始超像素为节点、以运动特征差异性为边建立图结构对超像素区域进行合并,得到最终超像素图像,可以有效解决传统超像素分割方法过分割而导致目标被分为多个部分的问题;然后分别利用目标静态特征对比度和运动特征对比度,得到静态显著性图和运动显著性图,并融合得到最终的时空显著性图;最后利用恒虚警处理技术,结合运动连续特性实现目标的检测,可以有效减少虚警目标。实验结果表明,该算法针对复杂背景具有良好的鲁棒性,并且可以比较完整的保留目标的信息。     

局部和全局特征融合的红外图像显著性检测

为了更好地凸显复杂环境的红外目标特征,提出 一种融合局部和全局特征的红外图像 显著性检测方法。在获取图像超像素的基础上,提取每个区域空间距离加权的邻域对比度特 征,并考虑区域大小和位置的影响,构建局部显著图;然后提取每个区域空间距离加权的全 局灰度特征,构建全局显著图;最后融合局部和全局显著图,实现图像显著性检测。实验结 果 表明,本文方法的显著图结果目标区域一致高亮且边缘清晰,同时背景杂波抑制效果好。无 论 主观评价还是客观指标,本文方法都优于当前流行的图像显著性检测方法。     

基于超像素的物体似然概率计算模型研究

提出基于超像素建立物体似然概率模型来检测图像的显著区域。首先根据显著性原理和物体的自然属性分析影响物体显著度大小的因素;然后使用SLIC算法把图像分成K个超像素,并根据纹理、颜色、梯度特征信息建立不同准则下显著物体概率的计算模型:包括类内紧凑性、颜色空间分布估计以及边缘连续性;再结合细胞调节和指数函数的特征对每个准则下的显著物体概率组合得到物体的似然概率;最后利用该算法在较复杂的场景中对显著区域进行提取实验,证明该算法比其他算法更高效。     

基于L0平滑的超像素块最短测地距离的显著区域提取方法

为了有效地检测出图像中的显著区域,提出了一种基于L₀平滑 的超像素块最短测地距离的图像显著区域提取方法。首先对图像进行L₀平滑得到边缘锐化内部细节平滑 的图像,进而用简单线性迭代聚类(SLIC)算法得到图像的超像素块;然后提取超像素块的 颜色和空间特征,计 算超像素块之间的最短测地距离,根据图像边界的连通性得到每个超像素块的初步显著值; 最后通过显著 区域聚焦等后处理优化操作,滤除图中的背景噪声,得到最终显著图。利用公开数据库与之 前方法进行 比较的结果显示,本文方法能够更好地加亮整个显著目标区域,去除背景干扰区域。通过 ROC面积的比较,证明了本文提出方法的有效性。     

一种基于视觉注意模型的可移动目标检测方法

提出了一种基于视觉显著性的目标检测算法,用于对位于地面上的车辆、飞 机等地面可移动目标进行检测和定位。针对地面可移动目标在场景中较小的特点,设计了一种用于对 目标检测进行引导的基于视觉注意机制的目标显著模型。首先,提取图像目标的颜色特征、强 度特征和方向Gabor特征,并将其结合起来用于计算显著图。然后以超像素为单位对 显著值进行计算,并结合人眼视觉敏感度对不同距离的超像素之间的差异进行加权处理。实 验结果表明,本文算法可以有效地检测并定位出复杂背景中的地面可移动目标。     

基于改进视觉显著性的布匹瑕疵检测方法

针对布匹瑕疵检测中需要无瑕疵图像对照、检测时间过长等问题,提出了一种改进的视觉显著性的布匹瑕疵检测方法,以适用具有不同特征(纹理、颜色、亮度、方向)瑕疵的识别。该方法首先将布匹图像分解为超像素图像,然后根据区域对比度得到布匹瑕疵的显著图,最后对显著图进行阈值分割来识别出布匹瑕疵。实验结果表明本文算法对不同光照下和不同角度下的布匹瑕疵识别有着较高的检测率,具有良好的适用性和鲁棒性。     

基于超像素多特征融合的快速图像分割算法

为了提高高分辨率图像分割效率,解决复杂图案中待分割目标边缘附近前景与背景区分度小而造成的分割目标不完整问题,本文通过引入超像素HOG特征,提出了一种基于超像素多特征融合（superpixel multi-feature fusion,SMFF）的快速图像分割算法.首先采用目前最有效的超像素算法对待分割图像进行超像素预分割,然后提取基于超像素的HOG特征、Lab颜色特征和空间位置特征,设计基于超像素的多特征度量算法,最终采用图割理论实现了基于超像素多特征融合的快速图像分割.实验结果验证了本文算法的有效性,其算法性能接近于目前最经典图像分割算法,且本文算法的时间性能要明显优于其它对比算法.     

基于渐进结构感受野和全局注意力的显著性检测

当前的显著性检测算法在复杂场景下难以分割出完整显著性区域以及锐利的边缘细节。针对这一问题,文中提出了一种新颖的特征融合算法。该方法利用全卷积神经网络获取多个层次粗糙的初始特征并结合特征金字塔结构对其深度解析。设计渐进结构感受野模块将特征转换至不同尺度的空间进行优化,实现特征的渐进融合与传递,有选择性地增强显著性区域。采用全局注意力机制消除背景噪声并建立显著性像素之间的长距离依赖,以提高显著性区域的有效性,突出显著性目标,再通过学习融合个层次特征得到显著图。综合实验表明,在绝对误差减小的情况下,F-measure指标远超出其他7种主流方法。所提的显著性模型综合了全卷积神经网络和特征金字塔结构的优点,结合文中设计的渐进结构感受野和全局注意力机制,使得显著图更接近真值图。     

Saliency detection using joint spatial-color constraint and multi-scale segmentation

In this paper, a novel method is proposed to detect salient regions in images. To measure pixel-level saliency, joint spatial-color constraint is defined, i.e., spatial constraint (SC), color double-opponent (CD) constraint and similarity distribution (SD) constraint. The SC constraint is designed to produce global contrast with ability to distinguish the difference between “center and surround”. The CD constraint is introduced to extract intensive contrast of red-green and blue-yellow double opponency. The SD constraint is developed to detect the salient object and its background. A two-layer structure is adopted to merge the SC, CD and SD saliency into a saliency map. In order to obtain a consistent saliency map, the region-based saliency detection is performed by incorporating a multi-scale segmentation technique. The proposed method is evaluated on two image datasets. Experimental results show that the proposed method outperforms the state-of-the-art methods on salient region detection as well as human fixation prediction.     

Two-stage salient region detection by exploiting multiple priors

Saliency detection has become a valuable tool for many image processing tasks, like image retargeting, object recognition, and adaptive compression. With the rapid development of the saliency detection methods, people have approved the hypothesis that “the appearance contrast between the salient object and the background is high”, and build their saliency methods on some priors that explain this hypothesis. However, these methods are not satisfactory enough. We propose a two-stage salient region detection method. The input image is first segmented into superpixels. In the first stage, two measures which measure the isolation and distribution of each superpixel are proposed, we consider that both of these two measures are important for finding the salient regions, thus the image-feature-based saliency map is obtained by combining the two measures. Then, in the second stage, we incorporate into the image-feature-based saliency map a location prior map to emphasize the foci of attention. In this algorithm, six priors that explain what is the salient region are exploited. The proposed method is compared with the state-of-the-art saliency detection methods using one of the largest publicly available standard databases, the experimental result indicates that the proposed method has better performance. We also demonstrate how the saliency map of the proposed method can be used to create high quality of initial segmentation masks for subsequent image processing, like Grabcut based salient object segmentation.     

基于稀疏编码的红外显著区域超分重建算法

由于红外光学衍射限和红外探测器的局限,得到的红外图像噪声相对偏大,分辨率偏低。对红外图像进行超分辨率重建可以提高图像分辨率,但同时又会增强背景噪声。针对此问题,提出了基于稀疏编码的红外显著区域超分重建算法,将超分重建和显著度检测相结合,可以提高目标分辨率并降低背景噪声。首先采用双层卷积提取图像特征,并自适应选择图像信息熵较大的图像块用于训练联合字典。然后利用稀疏特征计算显著度获取显著区域,再将显著区域用训练好的字典进行超分辨重建,与目标无关的背景区域采用高斯滤波。实验结果显示改进的重建算法在同等条件下重建效果优于重建模型ScSR和SRCNN,图像信噪比提高3～4倍。     

视觉注意驱动的基于混沌分析的运动检测方法

提出了视觉注意驱动的基于混沌分析的运动检测方法(MDSA)。MDSA首先基于视觉注意机制提取图像的显著区域,而后对显著区域进行混沌分析以检测运动目标。算法技术路线为:首先根据场景图像提取多种视觉敏感的底层图像特征;然后根据特征综合理论将这些特征融合起来得到一幅反映场景图像中各个位置视觉显著性的显著图;而后对显著性水平最高的图像位置所在的显著区域运用混沌分析的方法进行运动检测;根据邻近优先和返回抑制原则提取下一最显著区域并进行运动检测,直至遍历所有的显著区域。本文对传统的显著区域提取方法进行了改进以减少计算量:以邻域标准差代替center-surround算子评估图像各位置的局部显著度,采用显著点聚类的方法代替尺度显著性准则提取显著区域;混沌分析首先判断各显著区域的联合直方图（JH）是否呈现混沌特征,而后依据分维数以一固定阈值对存在混沌的JH中各散点进行分类,最后将分类结果对应到显著区域从而实现运动分割。MDSA具有较好的运动分割效果和抗噪性能,对比实验和算法开销分析证明MDSA优于基于马塞克的运动检测方法（MDM）。      

超像素内容感知先验的多尺度贝叶斯显著性检测方法

针对复杂背景下显著性检测方法不能够有效地抑制背景,进而准确地检测目标这一问题,提出了超像素内容感知先验的多尺度贝叶斯显著性检测方法.首先,将目标图像分割为多尺度的超像素图,在每个尺度上引入内容感知的对比度先验、中心位置先验、边界连通背景先验来计算单一尺度上的目标显著值;其次,融合多个尺度的内容感知先验显著值生成一个粗略的显著图;然后,将粗略显著图值作为先验概率,根据颜色直方图和凸包中心先验计算观测似然概率,再使用多尺度贝叶斯模型来获取最终显著目标;最后,使用了3个公开的数据集、5种评估指标、7种现有的方法进行对比实验,结果表明本文方法在显著性目标检测方面具有更好的表现.     

Salient region detection through sparse reconstruction and graph-based ranking

In this paper, we propose a salient region detection algorithm from the point of view of unique and compact representation of individual image. In first step, the original image is segmented into super-pixels. In second step, the sparse representation measure and uniqueness of the features are computed. Then both are ranked on the basis of the background and foreground seeds respectively. Thirdly, a location prior map is used to enhance the foci of attention. We apply the Bayes procedure to integrate computed results to produce smooth and precise saliency map. We compare our proposed algorithm against the state-of-the-art saliency detection methods using four of the largest widely available standard data-bases, experimental results specify that the proposed algorithm outperforms. We also show that how the saliency map of the proposed method is used to discover outline of object, furthermore using this outline our method produce the saliency cut of the desired object.