基于稀疏恢复与优化的显著性目标检测算法

针对目前基于稀疏表示的显著性检测算法中存在的边界显著性检测不足、字典表达能力不够等问题,提出一种基于稀疏恢复与优化的检测算法。首先对图像进行滤波平滑和超像素分割,并从边界与内部超像素中挑选可靠的背景种子构建稀疏字典;然后基于该字典对整幅图像进行稀疏恢复,根据稀疏恢复误差生成初始显著图;再运用改进的基于聚类的二次优化模型对初始显著图进行优化;最后经过多尺度融合得到最终显著图。在三大公开测试数据集上的实验结果表明,所提算法能够保持高效快速、无训练等优点,同时性能优于目前主流的非训练类算法,在处理边界显著性方面表现优异,具有较强的鲁棒性。

自然场景下的显著性检测优化方法

为满足自然场景下显著性检测精度的要求,提出了一种显著性检测优化方法。该方法采用简单线性迭代聚类分割算法将图像分割为多个超像素区域,并提取颜色区域对比度特征。通过Harris角点检测算法定位目标的大致几何中心,以中心概率的形式表征目标空间分布特征,并进行目标位置自适应的特征融合。基于目标空间分布特征和图像灰度重心,实现抑制背景、增强目标的显著图优化;利用针对显著性值的空间平滑技术,可增加显著图的连续性。实验结果表明,该方法在几个公开的测试集中的测试具有较高的准确率、召回率和较低的平均绝对误差,可应用于复杂自然场景下的显著性检测。

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。