基于区域对比度和背景先验的显著目标检测

针对现有算法对复杂背景的图像检测效果较差的问题,提出融合区域对比度和背景先验的显著目标检测算法。首先利用超像素分割将图像分割成感知均匀的图像块,然后根据区域对比度计算全局对比度特征和空间聚集度特征,再根据背景先验得到背景集,计算图像块与背景集间的相似性特征,接着对三个特征显著图进行融合计算,最后根据每个像素与周围超像素的颜色和距离对比度得到每个像素的显著值。实验结果表明,所提算法能较均匀高亮整个目标且有效抑制无关背景信息。     

基于对比度的背景先验显著性检测算法

图像显著性检测的研究已经成为了一个热门领域,应用范围很广.基于背景先验的算法,可以使显著目标较好地突显,使显著图更清晰,但背景先验依赖于图像中背景的有关先验理论,对于背景复杂图像的处理效果不好.针对以上问题,建立基于对比度的背景先验算法,算法首先将局部和全局显著图在一定方式下融合,然后,利用融合算法的结果提取图像边界区...     

融合背景先验与中心先验的显著性目标检测

目的 现有的显著性目标检测算法通常基于单一的先验信息,导致提取的原图像信息不全面,为了解决该问题,提出一种新的基于背景先验与中心先验相融合的显著目标检测算法。方法 该方法首先以边缘超像素为吸收节点,利用马尔可夫吸收链计算其他超像素的平均吸收时间作为背景先验值,得到背景先验图;然后使用改进Harris角点检测估计目标区域位置,建立峰值位于目标中心的2维高斯函数,计算各超像素的中心先验值,获取中心先验图;最后将背景先验图与中心先验图相融合得到显著图。同时该方法融合多尺度检测结果,进一步提高显著值的准确性。结果 通过ASD、SED1、SED2和SOD 4个公开数据库对比验证了基于背景先验与中心先验相融合算法具有较高的查准率、查全率和F-measure,相较于基于马尔可夫吸收链算法均提高了3%以上,总体效果明显优于目前的10种主流算法。结论 相较于基于单一先验信息的算法,基于背景先验与中心先验相融合的算法充分利用了图像信息,在突出全局对比的同时也保留了较多的局部信息,能高亮地凸显图像中的显著性目标。该方法在检测单一目标的图片时效果显著,但对于多目标的显著性检测尚有不足。     

全局对比和背景先验驱动的显著目标检测

针对传统背景先验方法中背景提取不精确并且背景抑制能力弱的问题,提出了全局对比和背景先验驱动的显著目标检测方法。首先将图像分割为一系列感知均匀的超像素,再由全局颜色对比得到基于全局的显著图并计算得到前景种子点;然后将每个边界超像素与前景种子点做对比,筛选差异性较大的边界超像素作为背景种子点并计算得到基于背景的显著图;最后在融合基于全局和背景显著图的基础上,提出一种多兴趣点高斯模型的方法进一步抑制背景并整体高亮显著区域。在公开的MSRA-1000数据测试集上与6种主流方法进行对比实验,结果表明,所提出的显著性目标检测方法对复杂边界信息具有更强的鲁棒性,并能有效抑制背景噪声。     

基于对比度优化流形排序的显著目标检测算法

现有的基于背景先验的显著性算法模型中存在先验区域选取不合理的问题,导致计算出的前景区域不准确,影响最终结果。针对该问题提出了基于对比度优化流形排序的显著目标检测算法。利用图像边界信息找出背景先验,设计出采用显著期望、局部对比度以及全局对比度三个指标来衡量先验质量的算法,并根据先验质量设计带权加法,代替简单乘法融合显著先验,从而使显著先验更加准确。从先验中提取显著区域时,更改了选取阈值的策略,更合理地选取出前景区域,再利用流形排序得到显著性图,从而使显著性检测结果更加准确。实验结果表明,与同类算法相比,所提算法突出显著区域,减少噪声,更符合人类视觉感知,并在处理时间上领先于深度学习方法。     

多先验融合的图像显著性目标检测算法

为了更加准确地检测出图像中的显著性目标，提出了多先验融合的显著性目标检测算法。针对传统中心先验对偏离图像中心的显著性目标会出现检测失效的情况，提出在多颜色空间下求显著性目标的最小凸包交集来确定目标的大致位置，以凸包区域中心计算中心先验。同时通过融合策略将凸包区域中心先验、颜色对比先验和背景先验融合并集成到特征矩阵中。最后通过低秩矩阵恢复模型生成结果显著图。在公开数据集MSRA1000和ESSCD上的仿真实验结果表明，MPLRR能够得到清晰高亮的显著性目标视觉效果图，同时F，AUC，MAE等评价指标也比现有的许多方法有明显提升。     

多尺度构图先验的显著目标检测

目的 针对基于对比度的显著检测方法,因忽略了特征的空间分布而导致准确性不高的问题,启发于边界先验关于图像空间布局的思想,提出构图先验的显著检测方法。方法 假定目标分布于三分构图线周围,根据相关性比较计算显著值。首先,对图像进行多尺度超像素分割并构造闭环图;其次,提取构图线区域超像素特征并使用Manifold Ranking算法计算显著目标与背景的分布;然后,从目标和背景两个角度对显著值进行细化并利用像素区别性对像素点的显著值进行矫正;最后,融合多尺度显著值得到最终显著图。结果 在公开的MSRA-1000、CSSD、ECSSD数据集上验证本文方法并与其他算法进行对比。本文方法在各数据集上准确率最高,分别为92.6%,89.2%,76.6%。且处理单幅图像平均时间为0.692 s,和其他算法相比也有一定优势。结论 人眼视觉倾向于在构图线周围寻找显著目标,构图先验是根据人眼注意机制研究显著性,具有合理性,且构图先验的方法提高了显著目标检测的准确性。     

中心矩形构图先验的显著目标检测

目的 许多显著目标检测算法侧重从背景角度进行显著性检测,而从前景角度和空间角度进行显著性检测的算法较少,为了解决这个问题,提出了一种基于中心矩形构图先验的显著目标检测算法。方法 假定目标分布在中心矩形构图线附近。首先,对图像进行超像素分割并构造闭环图;其次,提取中心矩形构图线上的超像素特征,并进行流形排序,获取初始显著值;然后,通过基于中心矩形构图线获取的初始显著值确定中心矩形构图交点显著值和紧凑性关系显著值;最后,融合三者获得最终的中心矩形构图先验显著图。结果 通过MSRA-1000,CSSD,ECSSD,THUS-10000数据集对比验证了中心矩形构图先验算法有较高的准确度和最高的F-measure值,整体效果上优于目前先进的几种算法。且处理单幅图像的平均时间为0.673 s,相比与其他算法也有较大优势。结论 从前景角度和空间角度考虑的中心矩形构图先验的显著目标检测算法相比于传统的算法更加具有鲁棒性,无论图像是复杂的还是简单的,都取得很好的检测效果,充分说明算法的有效性。     

利用背景先验的显著性检测算法

目的 针对图像的显著区域检测问题,提出一种利用背景先验知识和多尺度分析的显著性检测算法。方法 首先,将原始图像在不同尺度下分解为超像素。然后,在每种尺度下根据各超像素之间的特征差异估计背景,提取背景区域,获取背景先验知识。根据背景先验计算各超像素的显著性,得到显著图。最后,将不同超像素尺度下的显著图进行融合得到最终显著图。结果 在公开的MASR-1000、ECSSD、SED和SOD数据集上进行实验验证,并和目前流行的算法进行实验对比。本文算法的准确率、召回率、F-Measure以及平均绝对误差均在4个数据集上的平均值分别为0.718 9、0.699 9、0.708 6和0.042 3,均优于当前流行的算法。结论 提出了一种新的显著性检测算法,对原始图像进行多尺度分析,利用背景先验计算视觉显著性。实验结果表明,本文算法能够完整、准确地检测显著性区域,适用于自然图像的显著性目标检测或目标分割应用。     

一种基于词袋模型的新的显著性目标检测方法

提出一种基于词袋模型的新的显著性目标检测方法.该方法首先利用目标性计算先验概率显著图,然后在图像的超像素区域内建立词袋模型,并基于此特征计算条件概率显著图,最后根据贝叶斯推断将先验概率和条件概率显著图进行合成.在ASD、SED以及SOD显著性目标公开数据库上与目前16种主流方法进行对比,实验结果表明本文方法具有更高的精度和更好的查全率,能够一致高亮地凸显图像中的显著性目标.     

基于背景先验与低秩恢复的显著性目标检测方法

显著性检测是指计算机通过算法自动识别出图像中的显著性目标，广泛应用于目标识别、图像检索与图像分类等领域。针对现有基于稀疏与低秩矩阵恢复的显著性检测模型中低秩转换矩阵的获取、前景稀疏矩阵的处理以及超像素块之间的关系，需对现有的稀疏与低秩矩阵恢复模型进行优化，使之更好地适用于图像的显著性检测。首先，根据背景的对比度和连通度原则获取图像低秩的背景字典，采用3种尺度分割图像的多个特征矩阵获得图像的前景稀疏矩阵；其次，通过计算邻居像素点之间的影响因子矩阵与置信度矩阵对显著图的结果进行结构约束，并且采用稀疏与低秩矩阵恢复模型对图像进行显著性检测；最后，利用K-means聚类算法的传播机制优化得到的显著图。在公开数据集上进行实验验证,结果证明本文方法能够准确有效地检测出显著性目标。     

显著性物体检测研究综述

人类的视觉系统能够迅速地、有选择地从视觉场景中检测出感兴趣的目标或者具有显著特征的物体,并根据更高层次的视觉任务目的对它们进行处理和理解,从而实现相应的行为或决策.将人类这种选择性视觉注意机制引入到计算机视觉的信息处理中,可以有效地减少视觉计算所需处理的数据量、加速整个处理过程,并进一步方便更高层次视觉任务的处理,因而...     

基于中心-对角对比度的显著性检测

针对图像显著性检测中广泛运用的中心-四周对比度方法存在的缺陷,提出了中心-对角对比度（Corner-Surround Contrast,CSC）算法,实现从背景中有效提取显著区域;中心-四周对比度方法难以保证分割的准确性,容易导致错误的显著检测结果,并且仅使用中心-四周对比度对目标物体进行显著性编码并不十分有效;CSC算法在提取中心和周边区域差异性的同时,结合它们之间位置的相对性,并设计了一个多核信息融合模型,以不同权重融合多种对比度方法以产生最优显著图,最后用图分割算法来进行二元分割,获得准确的显著图;实验结果表明CSC算法能够有效捕捉显著物体的局部差异,提高显著性物体定位及分割精度的性能,减少噪声的影响,从背景中分离出精确的显著性区域,获得更优的显著性检测结果。     

基于Faster R-CNN的显著性目标检测方法

显著性目标检测成为计算机视觉领域中的研究热点问题之一，但目前的方法在面对前景和背景对比度不强及复杂背景的图像时，较难取得好的检测效果。融合多尺度超像素分割方法，提出一种在背景信息相对复杂的场景中基于Faster R-CNN的显著性目标检测方法。首先对图像进行多尺度超像素分割，同时利用Faster R-CNN对图像进行目标检测，根据似物性特点对超像素进行显著性筛选，得到初始目标位置特征后进行显著性检测及优化，最后使用元胞自动机方法对多尺度超像素显著性图进行融合。通过在特定类数据集进行实验，与已有典型显著性检测进行对比分析，验证了本文方法在背景复杂的图像中可提升显著性目标检测的精度。     

基于通勤距离的显著性检测方法

针对图像显著性检测问题,提出一种基于通勤距离度量区域显著性,并提取图像中重要目标的方法.首先用聚类算法检测图像边界的背景种子点,构建初始背景先验图;其次利用显著点构建包围显著目标的凸包,提取凸包内前景种子点诱导其他区域的显著性值,从而得到改进的凸包先验图;最后将2个先验图融合得到最终的显著图.该算法中涉及的区域间的特征对比均应用了新颖而鲁棒的通勤距离.实验结果表明,通勤距离能够更准确有效地度量区域间的相似性,比传统的测地距离和欧氏距离更加优越,并优于现有的大多数算法.     

基于流形排序和联合连通性先验的显著性目标检测

为了进一步提高显著性目标检测的准确性,提出基于不同特征流形排序和联合连通性先验的显著性检测算法.针对现有基于流形排序的算法在图的构建中存在的边权重计算和顶点的连接问题,使用不同种特征计算顶点间边的权重,并且改进顶点的连接方式,得到流形排序显著图.同时结合边界连通性先验和前景连通性先验得到联合连通性先验显著图.在不同尺度下进一步融合两种显著性结果,得到最终的显著图.通过与16种算法在4种数据集上的对比表明,文中算法可以得到更清晰、准确的检测结果.     

基于深度中心邻域金字塔结构的显著目标检测

基于中心邻域的对比度计算在基于深度学习的算法中应用甚少.因此,文中提出基于深度中心邻域金字塔结构的显著目标检测方法.结合中心邻域对比度机制和卷积神经网络,用于显著目标检测.首先为网络的各阶段引入深层语义特征.再利用扩张卷积建立中心邻域金字塔,捕获不同级别的对比度信息,生成多尺度注意力子图.最后进一步融合所有注意力子图,得到最终的显著目标检测结果.在4个公用数据集上的对比实验表明,文中算法具有较低的平均绝对误差和较高的F测度值.     

利用层次先验估计的显著性目标检测

有效的显著性目标检测在计算机视觉领域一直是具有挑战性的问题.本文首先对图像进行树滤波处理,采用Quick shift方法将其分解为超像素,再通过仿射传播聚类把超像素聚集为代表性的类.与以往方法不同,本文提出根据各类中拥有的超像素的类内和类间的空间离散程度及其位于图像边界的数目,自适应地估计先验背景,并提取条状背景区域;由目标性度量(Objectness measure)粗略地描述前景范围后,通过与各类之间的空间交互信息,估计先验前景;再经过连通区域优化前景与背景信息.最后,综合考虑各超像素与先验背景和前景在CIELab颜色空间的距离,并进行显著性中心加权,得到显著图.在MSRA-1000和复杂的SOD数据库上的实验结果表明,本文算法能准确、完整地检测出显著性目标,优于21种State-of-the-art算法,包括基于部分类似原理的方法.     

时空渐进式学习的视频显著性目标检测

视频显著性目标检测需要同时结合空间信息和时间信息,连续地定位视频序列中与运动相关的显著性目标,其核心问题在于如何高效地刻画运动目标的时空特征.现有的视频显著性目标检测算法大多使用光流,ConvLSTM以及3D卷积等提取时域特征,缺乏对时间信息的连续学习能力.为此,设计了一种鲁棒的时空渐进式学习网络(spatial-temporal progressive learning network, STPLNet),以完成对视频序列中显著性目标的高效定位.在空间域中使用一种U型结构对各视频帧进行编码解码,在时间域中通过学习视频序列中帧间运动目标的主体部分和形变区域特征,渐进地对运动目标特征进行编码,能够捕捉到目标的时间相关性特征和运动趋向性.在4个公开数据集上与13个主流的视频显著性目标检测算法进行一系列对比实验,所提出的模型在多个指标(max F, S-measure (S), MAE)上达到了最优结果,同时在运行速度上具有较好的实时性.