改进凸包的贝叶斯模型显著性检测算法

针对传统贝叶斯模型算法对图像显著区域检测精度需要进一步提高的问题,提出一种改进凸包的贝叶斯模型显著性检测算法。首先,利用流行排序算法对图像进行前景提取,提取的前景区域作为贝叶斯模型的先验概率;其次,利用颜色增强的Harris角点检测算法检测图像在RGB,HSV,CIELab 3个颜色空间中的特征点,分别构造RGB,HSV,CIELab空间的凸包,求取3个颜色空间下的凸包的交集;再次,通过贝叶斯模型根据先验概率、凸包与颜色直方图结合得到的观测似然概率计算获得显著性区域图;最后,将新算法在两大公开数据集MSRA和ECSSD中进行测试。结果表明,新算法能够有效抑制背景噪声,完整检出显著区域,F-measure值在MSRA和ECSSD数据库中的测试结果分别为0.87和0.71,准确率-召回率曲线在复杂图像数据库高于传统经典算法。新算法改进了传统经典算法的检测效果,进一步提高了显著图检测的准确性。

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的背景种子,并计算一个基于背景的显著性图;通过融合以上两种显著图得到最终的显著图。在现有公开的MSRA-1000图像测试数据库中进行测试,本文方法与当前几种经典的显著性检测算法进行了对比实验,实验结果表明,本文方法得到的显著性区域更准确。

基于先验信息的显著性检测算法研究

为了使图像显著区域的检测更加完整,结合前景和背景信息研究了一种基于先验信息的显著性检测算法。首先在超像素的基础上,利用颜色增强Harris角点算法构造凸包,根据凸包内外超像素间的颜色、空间位置差异,得到基于凸包先验的显著图;其次根据图像四周边界信息获取图像边界超像素的背景种子,利用前景与背景超像素的的颜色、空间位置差异,得到基于图像四周背景种子的显著图;最终结果由上述得到的两个显著图线性加权融合得到。结果表明,在可视化结果的完整性及各个评价指标方面优于现有公开的经典算法。可见,本文算法具有一定的可行性。