基于背景感知的显著性目标检测算法

在显著性目标检测算法中,流形排序的检测方法存在先验背景假设和目标检测不完整的问题.针对该问题,在流形排序算法基础上,融入背景鉴别、BING特征估计和权重调整,提出了一种基于背景感知的显著性目标检测算法.首先,通过计算颜色聚类后的边界区域的综合差异度,得到真实背景种子点,从而感知到真实背景区域;再结合图像的BING特征与初始显著图信息,获取目标位置,从而得到完整的前景种子点区域;然后重构前景区域的图模型且利用加权k-壳分解法,来调整前景区域节点之间的连接权重,进而获得清晰的目标边界.实验结果表明,同当前经典的一些算法比较,本文算法在准确率、召回率、F-measure和平均MAE上都优于其余算法.

基于背景显著性和前景显著性相结合的纺织印染图像显著性检测

文章提出一种基于图像背景显著性和前景显著性相结合、自底向上的纺织印染图像显著性检测算法。此算法首先通过图像的边界信息,从图像边框或中心的超像素中收集背景种子并计算出基于背景的显著图;其次,通过基于脉冲耦合神经网络(PCNN)的自适应阈值方法分割基于背景的显著图来收集前景种子并计算出基于前景的显著图;最后,使用文章提出的公式,将两个显著图综合起来,并使用显著扩散和高斯衰减的方法进行优化,获得效果最佳的纺织印染图像显著图。

基于多尺度的贝叶斯模型显著性检测

针对传统基于贝叶斯模型的显著性检测算法存在准确率不理想的问题,提出了一种基于多尺度的贝叶斯模型显著性检测算法。通过超像素分割算法(SLIC)将原图分割成不同尺度的超像素,根据超像素边界信息得到背景种子,进而通过距离计算和多尺度融合得到背景先验;对原图进行颜色增强,采用Harris算子对增强图进行检测角点求得凸包,融合不同尺度下的超像素得到凸包先验;融合背景先验和凸包先验得到最终先验;利用颜色直方图和凸包计算似然概率;将最终先验和似然概率通过贝叶斯模型计算显著图。在公开数据集MSRA1000、ECSSD上与多种传统算法进行准确率和召回率对比,该算法有更好的表现。