视觉显著目标的自适应分割

基于视觉注意模型和最大熵分割算法,提出了一种自适应显著目标分割方法来分离目标和复杂背景,以便快速准确地从场景图像中检测出显著目标。首先,通过颜色、强度、方向和局部能量4个特征通道获取图像的显著图;通过引入局部能量通道来更好地描述了显著目标的轮廓。然后,根据显著图中像素灰度的强弱构建不同的目标检测蒙板,将每个蒙板作用于原图像作为预分割的结果,再计算每个预分割图像的熵。最后,利用最大熵准则估计图像目标熵,根据预分割图像的熵和目标熵判断选取最优显著目标分割图像。实验结果表明:本文算法检测的显著目标更为完整,分割性能F-measure达到0.56,查全率和查准率分别为0.69和0.41,相对于传统方法更为有效准确,实现了在复杂背景下对显著目标的有效准确检测。

基于扩散的视觉显著目标检测

针对图像背景颜色和视觉显著检测目标信息颜色相近时,显著检测结果的精度和效率不高的问题,提出了一种基于扩散的视觉显著目标检测模型.首先通过对对称矩阵的构造并丢弃常数特征向量和辨别力进行了重新组合扩散矩阵,然后对扩散矩阵中的种子向量进行重新构造,最后将重新组合的扩散矩阵和重新构造的种子向量进行扩散,得出了基于扩散的视觉显著目标检测算法.实验结果表明:该算法较之前的算法有一定的改进,在背景颜色和视觉目标信息颜色相近的情况下,该算法显著目标检测效果有了明显的提升.

弱监督学习下的视觉显著性目标检测算法

为模拟人类视觉对含有特定目标图像集中目标逐渐关注感知的行为,提出一种弱监督学习的视觉显著性目标检测算法。根据已有的视觉显著性方法获得图像的显著性区域;提取显著区域的底层视觉特征,训练获得视觉显著目标的表征;用条件随机场(conditional random fields,CRF)将学习到视觉显著目标表征进行联合学习,获得该表征在最后显著性中的权重;计算每次迭代显著图的ROC曲线,寻找视觉显著性目标最优表征及其在最后显著图中的最优权重。实验结果表明,该算法检测精度优于现有诸多算法,能够有效检测出视觉显著性目标。该算法模拟了人类视觉中对特定关注目标的感知过程,对不断重复出现的视觉显著性目标进行强化学习,具有较高的准确率。