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%。     

基于低秩背景约束与多线索传播的图像显著性检测

针对当前基于流形排序的显著性检测算法缺乏子空间信息的挖掘和节点间传播不准确的问题,该文提出一种基于低秩背景约束与多线索传播的图像显著性检测算法.融合颜色、位置和边界连通度等初级视觉先验形成背景高级先验,约束图像特征矩阵的分解,强化低秩矩阵与稀疏矩阵的差异,充分描述子空间结构信息,从而有效地将前景与背景分离;引入稀疏感知和局部平滑等线索改进传播矩阵的构建,增强颜色特征出现概率低的节点的传播能力,加强局部区域内节点的关联性,准确凸显节点的属性,得到紧密且连续的显著区域.在3个基准数据集上的实验结果与图像检索领域的应用证明了该文算法的有效性和鲁棒性.     

基于低秩背景约束与多线索传播的图像显著性检测

针对当前基于流形排序的显著性检测算法缺乏子空间信息的挖掘和节点间传播不准确的问题,该文提出一种基于低秩背景约束与多线索传播的图像显著性检测算法。融合颜色、位置和边界连通度等初级视觉先验形成背景高级先验,约束图像特征矩阵的分解,强化低秩矩阵与稀疏矩阵的差异,充分描述子空间结构信息,从而有效地将前景与背景分离;引入稀疏感知和局部平滑等线索改进传播矩阵的构建,增强颜色特征出现概率低的节点的传播能力,加强局部区域内节点的关联性,准确凸显节点的属性,得到紧密且连续的显著区域。在3个基准数据集上的实验结果与图像检索领域的应用证明了该文算法的有效性和鲁棒性。     

基于背景先验与中心先验的显著性目标检测北大核心CSCD

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。     

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.     

一种基于图的流形排序的显著性目标检测改进方法

该文针对现有的基于图的流形排序的显著性目标检测方法中仅使用k-正则图刻画各个节点的空间连接性的不足以及先验背景假设过于理想化的缺陷,提出一种改进的方法,旨在保持高查全率的同时,提高准确率。在构造图模型时,先采用仿射传播聚类将各超像素(节点)自适应地划分为不同的颜色类,在传统的k-正则图的基础上,将属于同一颜色类且空间上位于同一连通区域的各个节点也连接在一起;而在选取背景种子点时,根据边界连接性赋予位于图像边界的超像素不同的背景权重,采用图割方法筛选出真正的背景种子点;最后,采用经典的流形排序算法计算显著性。在常用的MSRA-1000和复杂的SOD数据库上同7种流行算法的4种量化评价指标的实验对比证明了所提改进算法的有效性和优越性。     

基于SVM和背景模型的显著性目标检测算法

针对显著性目标多样性和不确定性,机器学习算法无法检测没有先验信息的图像问题,提出了一种基于图像边缘信息构建背景模型结合SVM分类算法的显著性目标检测算法.该方法对输入图像进行超像素预处理,使像素级转化为超像素级,既抑制噪声,又提高了计算效率.利用图像边缘超像素构建图像的初始背景模型,得到初始显著图.基于SVM算法建立目...     

基于全卷积网络的语义显著性区域检测方法研究

基于底层视觉特征和先验知识的显著性区域检测算法难以检测一些复杂的显著性目标,人的视觉系统能分辨这些目标是由于其中包含丰富的语义知识.本文构建了一个基于全卷积结构的语义显著性区域检测网络,用数据驱动的方式构建从图像底层特征到人类语义认知的映射,提取语义显著性区域.针对网络提取的语义显著性区域的缺点,本文进一步引入颜色信息、目标边界信息、空间一致性信息获得准确的超像素级前景和背景概率.最后提出一个优化模型融合前景和背景概率信息、语义信息、空间一致性信息得到最终的显著性区域图.在6个数据集上与15种最新算法的比较实验证明了本文算法的有效性和鲁棒性.     

视觉显著性检测：一种融合长期和短期特征的信息论算法

针对传统视觉显著性检测算法单纯使用当前观测图像的信息或是先验知识的不足,该文引入了长期特征和短期特征的概念,分别代表先验知识和当前观测图像的信息,并提出了一种基于信息论的算法将它们融合。首先,分别根据人眼跟踪数据和当前观测图像的内容来训练长期和短期稀疏词典并对图像进行稀疏编码,将得到的稀疏编码作为长期和短期特征。其次,针对现有算法只能在整幅图像上或是在一个固定大小的局部邻域内进行统计的缺陷,该文提出一种基于信息熵的特征概率分布估计方法,该方法可以根据当前观测图像的具体情况自适应地选择一个最佳的区域大小来计算长期和短期特征出现的概率。最后,利用香农自信息来输出图像的显著性检测结果。同8种流行算法在公开的人眼跟踪测试库上进行的主观和定量的实验对比证明了该文算法的有效性。     

自底向上的图像显著目标检测研究

针对传统的图像显著性检测造成显 著目标误检的问题,本文通过采用Harris角点检测算子以及计算机形态学中的凸包理 论,得到改进的中心先验 图像显著性检测系数,进而利用小波变换(WT)在时域和频域上的局部特征信息表征能力 得到局部特征 显著图像,以及采用谱残差(SR)的图像处理方法获取全局特征的显著图像,提出一种基于改 进图像中心先验理 论的自底向上的图像显著目标检测方法。实验结果表明,与现有的图像显著性检测模型相比 ,本文提出的模型检测准确率更好,检测效果也更好。     

Image saliency detection based on geodesic‐like and boundary contrast maps

Image saliency detection is the basis of perceptual image processing, which is significant to subsequent image processing methods. Most saliency detection methods can detect only a single object with a high‐contrast background, but they have no effect on the extraction of a salient object from images with complex low‐contrast backgrounds. With the prior knowledge, this paper proposes a method for detecting salient objects by combining the boundary contrast map and the geodesics‐like maps. This method can highlight the foreground uniformly and extract the salient objects efficiently in images with low‐contrast backgrounds. The classical receiver operating characteristics (ROC) curve, which compares the salient map with the ground truth map, does not reflect the human perception. An ROC curve with distance (distance receiver operating characteristic, DROC) is proposed in this paper, which takes the ROC curve closer to the human subjective perception. Experiments on three benchmark datasets and three low‐contrast image datasets, with four evaluation methods including DROC, show that on comparing the eight state‐of‐the‐art approaches, the proposed approach performs well.     

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.     

基于流形排名与迟滞阈值法的视觉显著性检测

视觉显著性检测是机器视觉领域的关键技术之一.提出一种基于流形排名与迟滞阈值的检测方法,首先将图像划分成超像素集合,以之作为结点形成闭环图;再按照基于图的流形排名方法计算各个结点的显著值,形成图像的显著图;然后利用显著图直方图统计出高、低两个阈值,将显著图划分为三个部分,使用伽马校正技术分别进行处理,最终整合校正结果得到输出显著图.实验结果表明,相对于现有算法,本文算法得到的显著图能够更好地区分背景区域和显著目标,同时也更具稳健性.     

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.     

融合显著图和保真图的全参考图像质量评价

提出一种融合显著图(SM)和保真图(FM)的全参考图 像质量 评价算法,用于评价质降图像的失真度。利用亮度和色度的相似度提取质降图像相对于 参考图像的FM;对参考图像进行区域划分、全局显著性提取和纹理边缘补充得到SM,将SM与 质降图像的FM融合得到基 于感知的显著保真图(PSM),计算质降图像的客观评价得分。在标准数据库上的实验结果表 明,本文方法与主观评价能够很好保持一致,并对LIVE图像库中的5种失真图像均有很好的 表现。     

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）。