基于复合先验知识的显著性目标检测方法

针对已有显著性目标检测在单一先验知识下生成的显著图存在背景抑制不彻底、孤立背景块干扰及前景区域缺失的问题,提出复合先验的显著性目标检测方法.先利用超像素分割算法提取边缘超像素,构建初选背景集,根据边界和四个角落显著性均值优化背景集;针对背景超像素渐变性不强的特点,提出特征差异法;再构建粗略包围前景区域的凸包,将其质心位...     

基于凸包和背景先验的图像显著性检测

视觉显著性检测是一种模仿人类视觉系统并从复杂场景中选择感兴趣区域的机制,为使显著性区域检测更加准确,提出了基于凸包和背景先验的图像显著性检测.首先对图像进行超像素分割,利用Harris颜色增强角点算法检测出图像的角点,绘制凸包得到目标的大致范围,并根据中心-周围算法得到凸包中心显著图;其次利用边界信息获取图像边界超像素...     

简单背景先验下的显著性目标检测算法

针对当前算法中采用过强的背景假设和中心偏置会造成错误检测,以及借助机器学习方法会大大增加复杂度的问题,提出使用过分割后的图像4个顶点超像素块作为背景先验信息,将其与改进的高斯模型相融合,然后对其进行空间优化,并使用元胞自动机将多个尺度下的显著结果进行融合。在公开数据库上与多种主流算法进行对比评测中,所提算法表现出明显的优越性。相较于以往算法将图像四周选为背景信息,文中算法所选取的背景信息则更为简单准确,同时也降低了计算复杂度,能够快速准确地提取出显著目标区域。     

自底向上的图像显著性检测综述

随着数字图像数据急剧增长,图像分类识别领域得到了广泛关注,是当前计算机视觉领域的研究热点。本文针对图像分类识别领域,重点对近几年国际上有影响的自底向上的图像显著性检测算法进行了分类介绍,并且利用目前最为流行的两个显著性检测数据库MSRA1K和ECSSD对这些算法分别进行了实验,最终对比得出目前算法的优势与不足。     

基于频率调制的红外舰船显著性检测方法研究

针对海面背景下的红外舰船目标检测,改进了一种基于频率调制的显著性检测方法。首先,利用高斯高通滤波器对红外图像进行处理,抑制海杂波影响;然后,利用频率调制的显著性方法检测舰船目标。结果表明,利用本文的方法检测红外舰船时目标较完整,得到的显著图分辨率高。该方法能满足实时性的要求。     

基于多特征扩散方法的显著性物体检测

现有的大部分基于扩散理论的显著性物体检测方法只用了图像的底层特征来构造图和扩散矩阵,并且忽视了显著性物体在图像边缘的可能性。针对此,该文提出一种基于图像的多层特征的扩散方法进行显著性物体检测。首先,采用由背景先验、颜色先验、位置先验组成的高层先验方法选取种子节点。其次,将选取的种子节点的显著性信息通过由图像的底层特征构建的扩散矩阵传播到每个节点得到初始显著图,并将其作为图像的中层特征。然后结合图像的高层特征分别构建扩散矩阵,再次运用扩散方法分别获得中层显著图、高层显著图。最后,非线性融合中层显著图和高层显著图得到最终显著图。该算法在3个数据集MSRA10K,DUT-OMRON和ECSSD上,用3种量化评价指标与现有4种流行算法进行实验结果对比,均取得最好的效果。     

基于背景先验与中心先验的显著性目标检测

针对传统的图流行排序显著性目标检测算法存在先验信息单一,显著目标检测不完整的问题,提出一种新的基于背景先验与中心先验的显著性目标检测算法。首先将图像边界节点作为背景种子进行流行排序获得粗略的前景区域,将其再次流行排序得到初步显著图;然后利用Harris角点检测、聚类实现中心先验显著性检测,捕获中心显著信息;最后在初步显著图上融合图像中心显著性,得到最终显著图。本文对综合指标、精确率-召回率曲线、F-measure值以及平均绝对误差(mean absolute error,MAE)值进行实验评估,在公开数据集MSRA-10K和ECSSD上进行的实验结果表明:对比10种主流算法,本文算法在不同的评估指标上都具有较好的表现,且能准确地突出显著目标,提升背景抑制效果。     

基于特征显著性融合的红外小目标检测

复杂背景下的红外图像通常存在信噪比低、邻近像素灰度变化不明显以及易被杂波信号和噪声干扰的特点,导致红外小目标检测困难。为解决上述问题,提出一种基于特征显著性融合的红外小目标检测算法。首先,在空间域中利用目标与其局部背景灰度差异来计算得到灰度显著图,在频域中结合谱残差计算得到背景抑制后的频域显著图;其次,将灰度显著图和频域显著图归一化后通过哈达玛乘积相互融合;最后,通过自适应阈值分割并使用Unger滤波器剔除较小的噪声点,从而提取出目标区域。实验结果表明,所提算法对图像的信噪比有了数十倍的提升,对背景抑制效果显著,并有着检测率高和虚警率低的优点,是一种有效的小目标检测算法。     

基于深度学习的显著性目标检测方法综述

显著性目标检测旨在对图像中最显著的对象进行检测和分割,是计算机视觉任务中重要的预处理步骤之一,且在信息检索、公共安全等领域均有广泛的应用.本文对近期基于深度学习的显著性目标检测模型进行了系统综述,从检测粒度的角度出发,综述了将深度学习引入显著性目标检测领域之后的研究成果.首先,从三个方面对显著性目标检测方法进行了论述:...     

概率框架下多特征显著性检测算法

显著性检测是计算机视觉的一项基础问题,广泛地用于注视点预测、目标检测、场景分类等视觉任务当中.为提升多特征条件下图像的显著性检测精度,以显著图的联合概率分布为基础,结合先验知识,设计一种概率框架下的多特征显著性检测算法.首先分析了单一特征显著性检测的潜在缺陷,继而推导出多特征下显著图的联合概率分布;然后根据显著图的稀有性,稀疏性,紧凑性与中心先验推导出显著图的先验分布,并使用正态分布假设简化了显著图的条件分布;随后根据显著图的联合概率分布得到其极大后验估计,并基于多阈值假设构建了分布参数的有监督学习模型.数据集实验表明：相比于精度最高的单一特征显著性检测方法,多特征算法在有监督和启发式方法下的平均误差降低了6.98%和6.81%,平均F-measure提高了1.19%和1.16%;单幅图像的多特征融合耗时仅为11.8ms.算法精度较高,实时性好,且可根据不同任务选择所需的特征类别与先验信息,能够满足多特征显著性检测的性能要求.     

基于可区分边界和加权对比度优化的显著度检测算法

针对目前基于先验背景的显著度算法中,把图像的所有边界同等对待带来的误判别问题,本文提出一种基于可区分边界和加权对比度优化的显著度检测算法.为了客观评价显著度,本文首先设计了一种粗略评估显著度的指标,用来选择较好的背景图.以该指标为基础,该算法先利用Hausdorff距离对边界进行区分,再利用测地线距离变换完成可靠的背景检测;然后,构造了一种前景-背景加权的对比度来计算初始显著度;最后,使用加权的优化模型进行显著度的优化.在5个公开数据集上的实验结果表明,本文算法在保持快速、无训练等优点的同时,检测性能优于目前主流算法.     

融合显著深度特征的RGB-D图像显著目标检测

深度信息被证明是人类视觉的重要组成部分,然而大部分显著性检测工作侧重于2维图像上的方法,并不能很好地利用深度进行RGB-D图像显著性检测。该文提出一种融合显著深度特征的RGB-D图像显著目标检测方法,提取基于颜色和深度显著图的综合特征,根据构图先验和背景先验的方法进行显著目标检测。首先,对原始深度图进行预处理：使用背景顶点区域、构图交点和紧密度处理深度图,多角度融合形成深度显著图,并作为显著深度特征,结合颜色特征形成综合特征;其次,从前景角度,将综合特征通过边连接权重构造关联矩阵,根据构图先验,假设多层中心矩形为前景种子,通过流形排序方法计算出RGB-D图像的前景显著图;从背景角度,根据背景先验以及边界连通性计算出背景显著图;最后,将前景显著图和背景显著图进行融合并优化得到最终显著图。实验采用RGB-D1000数据集进行显著性检测,并与4种不同的方法进行对比,所提方法的显著性检测结果更接近人工标定结果,PR(查准率-查全率)曲线显示在相同召回率下准确率高于其他方法。     

图像显著性检测方法解析

图像显著性检测是一种通过对图像颜色、强度、方向等特征进行分析生成图像显著性图的技术。其生成的显著性图可以用于图像分割、图像压缩以及图像识别等图像处理领域,从而改善图像处理的性能。为了对图像显著性检测技术及其发展有一个全面深入的了解,使用文献研究法和比较研究法对其概念及方法进行了探究。针对几种具有代表性的图像显著性检测算法进行了简要的概述和分析,用流程图简明扼要地表示显著性检测算法的基本框架。研究结果显示,图像显著性检测技术的效率在不断提升,算法越来越多样化,在图像处理领域的应用越来越广泛,这些对于图像处理自动化具有重要意义。     

非清晰区域抑制下的显著对象检测方法

基于上下文感知的显著区域检测模型（Context-Aware,CA）对于大目标和复杂背景图像中显著对象检测存在检测内容缺失和误检的问题.在CA模型的基础上,引入图像清晰度的视觉反差特性,提出非清晰区域抑制下的图像显著对象检测方法.该方法以离散度作为判断图像中是否存在清晰度差异的标准,并对存在差异的图像进行抑制.实验结果表明,非清晰区域抑制的CA方法可以在较好的解决大目标检测和复杂背景误检问题,提高了显著对象检测精度.