基于前景增强与背景抑制的显著性物体检测

显著性物体检测的关键在于准确地突出前景区域,多数传统方法在处理复杂背景图像时效果不理想。针对上述问题,提出了一种基于前景增强与背景抑制的显著性物体检测方法。首先,利用简单线性迭代聚类(SLIC)将图像进行分割得到多个超像素区域,通过区域间的对比和边界信息分别获得图像的显著区域与背景种子,并通过计算得到基于区域间对比和基于背景的两幅显著图。然后,在两幅图像中运用Seam Carving和Graph-based的图像分割法区分显著与非显著区域,进而得到前景增强与背景抑制模板。最终,融合两幅显著图与模板得到最终的显著图。在公开数据集MSRA-1000上对算法进行验证,结果表明,所提算法与7种主流算法相比具有更好的查准率和查全率。

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.

自适应阈值分割与局部背景线索结合的显著性检测

为了提高显著性算法对不同类图像的适用性以及结果的完整性,该文提出一种基于自适应阈值合并的分割过程与新的背景选择方法相结合的显著性检测算法。在分割过程中,生成相邻区块的RGB以及LAB共六通道融合的颜色差值序列,采用区块面积参数的反比例模型生成自适应阈值与颜色差值序列进行对比合并。在背景选择过程中,根据局部区域背景-主体-背景的相对位置关系线索,得到背景区域,再对结果进行边缘优化。该算法与其它算法相比得到的显著图不需要外接其他阈值算法即生成二值图,自适应阈值合并能排除复杂环境中的物体细节,专注于同等级大小物体的显著性对比。

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。

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。

基于LLF和RBD检测的红外和可见光图像融合

提出一种基于LLF和RBD检测的红外和可见光图像融合方法。运用局部拉普拉斯滤波对红外图像平滑处理和对可见光增强处理,以充分利用红外图像的目标信息和可见光图像的细节信息。在此基础上,采用增强背景检测的RBD显著性检测算法处理红外图像,以很好地检测出目标。此外,为了增强目标信息,减弱背景干扰,对RBD检测的结果进行S曲线变换。然后,对红外和可见光图像应用NSST分解得到高频分量与低频分量。最后,使用S曲线变换后获得的显著图对低频分量进行加权融合,采用绝对值取大的规则对高频分量进行融合。实验结果表明,该方法能够得到红外目标突出,细节增强的融合图像。

多尺度融合背景与目标先验的显著性目标检测

为了解决当目标不在图像中心或者出现在图像周边时,基于中心先验或者背景先验的显著性检测算法往往会产生错误检测的问题,提出使用目标性作为先验信息得到前景显著图,并且利用乘法运算将其与基于背景先验信息计算的显著图相融合,然后进行空间优化得到单尺度下的显著图,最终显著图为多尺度显著图的加权融合.基于公开数据库的实验结果表明：与目前多种前沿算法相比,本文算法具有更优的检测性能,能够凸显整个显著性目标.

基于背景学习的显著物体检测

目的显著物体检测的目标是提取给定图像中最能吸引人注意的物体或区域,在物体识别、图像显示、物体分割、目标检测等诸多计算机视觉领域中都有广泛应用。已有的基于局部或者全局对比度的显著物体检测方法在处理内容复杂的图像时,容易造成检测失败,其主要原因可以总结为对比度参考区域设置的不合理。为提高显著物体检测的完整性,提出背景驱动的显著物体检测算法,在显著值估计和优化中充分利用背景先验。方法首先采用卷积神经网络学习图像的背景分布,然后从得到的背景图中分割出背景区域作为对比度计算参考区域来估计区域显著值。最后,为提高区域显著值的一致性,采用基于增强图模型的优化实现区域显著值的扩散,即在传统k-正则图局部连接的基础上,添加与虚拟节点之间的先验连接和背景区域节点之间的非局部连接,实现背景先验信息的嵌入。结果在公开的ASD、SED、SOD和THUS-10000数据库上进行实验验证,并与9种流行的算法进行对比。本文算法在4个数据库上的平均准确率、查全率、F-measure和MAE指标分别为0.873 6、0.795 2、0.844 1和0.112 2,均优于当前流行的算法。结论以背景区域作为对比度计算参考区域可以明显提高前景区域的显著值。卷积神经网络可以有效学习图像的背景分布并分割出背景区域。基于增强图模型的优化可以进一步实现显著值在前景和背景区域的扩散,提高区域显著值的一致性,并抑制背景区域的显著性响应。实验结果表明,本文算法能够准确、完整地检测图像的显著区域,适用于复杂图像的显著物体检测或物体分割应用。