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。     

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。     

基于多尺度的贝叶斯模型显著性检测

针对传统基于贝叶斯模型的显著性检测算法存在准确率不理想的问题,提出了一种基于多尺度的贝叶斯模型显著性检测算法。通过超像素分割算法(SLIC)将原图分割成不同尺度的超像素,根据超像素边界信息得到背景种子,进而通过距离计算和多尺度融合得到背景先验;对原图进行颜色增强,采用Harris算子对增强图进行检测角点求得凸包,融合不同尺度下的超像素得到凸包先验;融合背景先验和凸包先验得到最终先验;利用颜色直方图和凸包计算似然概率;将最终先验和似然概率通过贝叶斯模型计算显著图。在公开数据集MSRA1000、ECSSD上与多种传统算法进行准确率和召回率对比,该算法有更好的表现。     

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。     

融合对比度与背景先验的显著目标检测算法

针对已有的显著检测算法对背景复杂的图像检测效果较差的问题,提出融合对比度与背景先验的显著目标检测算法.首先将图像划分为感知均匀的像素块,再根据对比度先验定义图像的显著边缘、像素块的全局对比度及颜色相似像素块的空间分布,得到任一像素块与前景的相关性;然后根据背景先验将图像边界像素块定义为伪背景区域,通过计算像素块与伪背景区域的相似度得到像素块与背景的相关性;最后通过能量优化函数结合像素块与前景、背景的相关性,得到该像素块的显著值.实验结果表明,与同类算法相比,该算法能更好地使显著目标整体高亮,抑制背景噪声,得到较符合视觉感知的显著图.     

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。     

一种前景和背景提取相结合的图像显著性检测

为了获得更加精细化的显著目标检测结果,提出一种结合前景和背景信息的图像显著目标检测算法,将自底向上的粗糙显著区域提取和基于流形查询的自顶向下背景权重图的计算整合到统一的优化框架内.粗糙显著图主要融合了更符合生物心理学规则的局部对比图、频率先验图和全局颜色分布图这3个先验图;在背景权重图的计算中,首先根据超像素分割图构建一个无向图的邻接矩阵,然后基于边界背景先验知识选择位于图像边界的一些超像素作为初始流形查询向量进行图节点间关联度的传播计算,得到背景权重图.在MSRA1000和ECSSD这2个基准数据集上与当前主要的10种算法进行了对比实验,结果体现了文中算法的优异性.     

多先验融合的显著性检测

为解决基于背景先验的显著性检测算法在检测复杂背景图像时存在误检问题,提出多先验融合的显著性检测算法.首先,将图像分割成四种不同的超像素尺度,根据流形排序算法计算出不同尺度的边界显著图,并进行线性融合得到最终边界先验;其次,利用边界信息得到背景种子,进而利用距离和元胞自动机融合得到背景先验;然后通过颜色归一化处理,计算出...     

改进背景先验和前景先验的显著性检测

针对传统的流行排序显著性检测算法存在的问题,本文提出了改进背景先验和前景先验的显著性检测.首先计算图像的凸包,并将图像分割成不同尺度的超像素;然后以凸包区域之外的超像素为背景种子,结合多尺度下图像的多种底层特征得到最终的背景显著图;第三,以凸包区域之内的超像素为前景种子,结合多尺度下图像的多种底层特征得到最终的前景显著...     

融合似物性前景对象与背景先验的图像显著性检测

为了在复杂背景图像中准确地提取出图像的显著区域,提出一种结合似物性前景对象与背景先验知识的图像显著性检测方法（OFOBP）。该方法首先对图像进行超像素分割,计算超像素颜色空间分布,得到初始显著图;利用似物性检测方法获取多个目标窗口,由窗口建立搜索区域,结合二值化的初始显著图优化目标窗口;再利用多窗口特征对超像素做前景对象预测,获取前景显著图;其次建立背景模板,计算稀疏重构误差获取背景先验图;最后融合两种显著图,得到最终显著检测结果。在公开数据集上与11种算法进行比较,本文算法能够较为准确地检测出显著区域,尤其是在复杂背景下对多个显著目标的检测,存在明显的优势。     

基于背景评估的贝叶斯模型显著性检测

针对自然图像中,复杂背景信息对显著性目标检测的影响,提出一种利用背景信息进行预测和贝叶斯模型选择优化的显著性检测方法。首先,为了提取完整的先验信息,根据背景信息与图像边界的连通性,以及对图像边界是否为背景进行评估来生成先验显著图。其次,为了降低背景信息的干扰,通过对流行排序算法生成的显著图进行角点检测,选择较为准确的显著点构造凸包。最后,利用贝叶斯模型进行选择优化来抑制和显著目标具有相同特征的背景信息。在2个公开的数据集上进行测试,并与4种性能较好的显著性检测算法对比,结果显示本文算法可提高显著性检测的准确性和区域的完整性。     

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.     

基于低秩矩阵恢复的视觉显著性目标检测与细化

基于低秩矩阵恢复(low-rank matrix recovery,LRMR)的显著性目标检测模型将图像特征分解为与背景关联的低秩分量和与显著性目标相关联的稀疏分量,并从稀疏分量中获得显著性目标.现有的显著性检测方法很少考虑低秩分量与稀疏分量之间的相互关系,导致检测的显著性目标零散或不完整.为此,提出基于低秩矩阵恢复的显著性目标检测与细化方法来规避该限制.首先,所提方法采用ell_1范数稀疏约束和拉普拉斯正则项对初始显著图进行计算;在显著性细化阶段,由于非局部的ell_0优化可以有效地对显著性区域及其邻接区域之间的相互关系进行建模,结合初始显著图,采用非局部ell_0梯度优化,最小化显著性区域中显著值的变化,从而保证显著性目标的完整性.在4个显著性目标检测数据集上进行实验,通过实验结果验证所提算法的优越性.     

基于被包围状态和马尔可夫模型的显著性检测

针对图像显著性检测问题,提出一种利用被包围状态和马尔可夫模型进行图像显著性检测的方法。首先,利用被包围状态计算显著性物体的大致区域;其次,使用简单线性迭代聚类(SLIC)算法对原始图像进行处理,得到图像的超像素图,并基于超像素图建立图像的图模型;接着,将距离显著性物体大致区域最远的两条边界的超像素作为虚拟背景吸收节点,利用吸收马尔可夫链计算每个超像素的显著性值,检测出初始的显著图S₁;再以计算出的显著性物体大致区域中的超像素作为虚拟前景吸收节点,利用吸收马尔可夫链检测出初始的显著性图S₂;然后,融合S₁和S₂得到最终的显著图S;最后,利用引导滤波器对显著图S进行平滑处理得到更优的显著图。在两个数据库上的实验结果表明,提出的算法优于现有大多数算法。     

基于频域多尺度分析的显著性检测

针对现有显著性检测方法得到的显著区域不完整以及缺乏生物学依据的不足,提出一种基于频域多尺度分析的图像显著性检测方法.首先利用小波变换将输入图像的离散余弦变换(DCT)系数的幅度谱进行多尺度分解,计算得到多尺度下的空间域视觉显著图,然后依据显著性评价函数选出较优显著图,最后以自适应权重合成输入场景的视觉显著图.对不同类型数据集进行实验,包括心理物理学模板数据集、人眼注视轨迹数据集及显著目标分割数据集(包括ASD和ECSSD数据集),该方法对于多类型数据集在P-R曲线、ROC曲线及AUC指标等客观评价标准上均取得较高精确度,且在计算速度统计中计算较快,表明该方法优于其他经典的显著性检测方法.     

结合背景和前景先验的显著性检测

目的 显著性检测已成为图像处理过程中的一个重要步骤,已被应用到许多计算机视觉任务中。虽然显著性检测已被研究多年并取得了较大的进展,但仍存在一些不足,例如在复杂场景中的检测不准确或检测结果夹带着背景噪声等。因此,针对已有图像显著性检测方法存在的不能有效抑制背景区域,或不能清晰突显出完整的目标区域的缺点,提出一种结合背景先验和前景先验信息的图像显著性检测算法。方法 首先选取图像的边界超像素作为背景区域,从而根据每个区域与背景区域的差异度来建立背景先验显著图;然后通过计算特征点来构建一个能够粗略包围目标区域的凸包,并结合背景先验显著图来选取前景目标区域,从而根据每个区域与前景目标区域的相似度来生成前景先验显著图;最后融合这两个显著图并对其结果进一步优化得到更加平滑和准确的显著图。结果 利用本文算法对MSRA10K数据库内图像进行显著性检测,并与主流的算法进行对比。本文算法的检测效果更接近人工标注,而且精确率和效率都优于所对比的算法,其中平均精确率为87.9%,平均召回率为79.17%,F值为0.852 6,平均绝对误差（MAE）值为0.113,以及平均运行时间为0.723 s。结论 本文提出了一种结合两类先验信息的显著性检测算法,检测结果既能够有效地抑制背景区域,又能清晰地突显目标区域,从而提高了检测的准确性。