融合流形排序和能量方程的显著性检测算法

显著性检测是当前机器视觉研究的重要问题,针对context-aware(CA)算法在检测过程中造成边缘丢失且易造成冗余检测的问题,提出了一种融合流形排序和能量方程的显著性检测算法(MREESD).该算法使用超像素方法将图像分块,提出一种新的超像素间权重计算方法和显著种子选取方法,通过一种新的显著度计算方法-流形排序计算显著图,最后利用能量方程对得到的显著图进行调整,对得到的显著图进行阈值分割,得到二值图像,再将二值图像与原图像进行掩码运算,得到分割结果.在MSRA1000图像显著性检测数据库上进行测试,准确率-召回率曲线显示在相同召回率下准确率高于其他算法并且具有较高的F-measure值.该算法有效地解决了边缘丢失及冗余分割问题,而且分割效果更加精确.

边界显著性与模式挖掘

针对目标在图像边界上带来的检测误差,提出了边界显著性算法。首先在多尺度下对图像进行超像素分割,计算边界差异,估计其边界显著性。而后对所有超像素进行模式挖掘,得到显著性种子,并与边界显著性相结合。最后通过显著性传播得到最终显著图。在三个公开的测试数据集上将本文提出算法与其他18种主流的现有算法进行对比。大量实验结果表明,所提出的算法在不同数据集上都优于目前主流算法。