CN106228544A - 一种基于稀疏表示和标签传播的显著性检测方法 - Google Patents
一种基于稀疏表示和标签传播的显著性检测方法 Download PDFInfo
- Publication number
- CN106228544A CN106228544A CN201610553324.7A CN201610553324A CN106228544A CN 106228544 A CN106228544 A CN 106228544A CN 201610553324 A CN201610553324 A CN 201610553324A CN 106228544 A CN106228544 A CN 106228544A
- Authority
- CN
- China
- Prior art keywords
- matrix
- value
- label
- similarity
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 230000000644 propagated effect Effects 0.000 title abstract 2
- 239000011159 matrix material Substances 0.000 claims abstract description 115
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 abstract 1
- 101100042007 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SEC12 gene Proteins 0.000 description 5
- 101150065142 sed2 gene Proteins 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 102100039648 Lactadherin Human genes 0.000 description 2
- 101710191666 Lactadherin Proteins 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于稀疏表示和标签传播的显著性检测方法，利用稀疏表示定义了一种新的邻接矩阵，不仅将具有共同边界的区域称为相邻区域，更是把处在同一子空间中的数据点定义为邻居，其次通过图像中每个区域间的相似度计算权值矩阵，然后选取部分边缘区域作为背景标签，最后通过上述方法获得的权值矩阵和背景标签，应用标签传播算法预测未标记区域的标签信息，进而获得最终的显著性图。本发明有益效果：本发明同时考虑了图像的全局信息和局部区域联系，构建了新的邻接矩阵，融合了稀疏表示理论和标签传播算法的优势，具有较高的准确率和回归率，且误差较低。
Description
技术领域
本发明涉及图像显著性检测领域，具体地说是一种基于稀疏表示和标签传播的显著性检测方法。
背景技术
近年来, 显著性检测已经成为计算机视觉领域的热门话题之一，吸引了大量学者的兴趣。该领域已经出现了很多优秀的算法，但想要开发出一种简洁实用的显著性模型仍存在较大的难度。目前，显著性检测已经被广泛应用于视觉跟踪，图像分类和图像分割等相关领域。
根据检测模型和功能的不同，显著性检测算法可以分为视觉注意力检测和显著性目标检测。其中视觉注意力检测是估计人眼观察一副图像时注视点的变化轨迹，在神经系统学中被广泛研究，而显著性目标检测则是提取整个显著目标区域，同时抑制背景噪声。
根据数据处理方式不同，显著性检测还可以被分为自底向上模型，和自顶向下模型。自顶向下模型[17, 19, 20, 28]是针对训练样本中有代表性的特征，因此能检测某些固定大小以及类别的目标。相反，自底向上模型[1, 2, 3, 5, 7, 9, 13, 14, 15, 16,18, 21, 22, 23, 24, 25, 26, 29, 30]由数据驱动，无需先验知识，受到底层视觉信息的直接刺激而产生。显然，自底向上模型的计算复杂度通常要低于自顶向下模型。
本发明提出了一种基于稀疏表示和标签传播的显著性检测方法。首先，为了获得图像中各个区域间的潜在联系，本发明应用稀疏表示理论构建稀疏矩阵；同时，将具有紧密联系且处在同一子空间的数据集定义为邻居，这样就增加了图像全局的连续性，在不降低复杂目标准确性的前提下，更好的识别大范围或多目标显著物；其次，本文通过平均颜色特征（CIELab）计算相邻区域的相似度作为边的权值，构建权值矩阵；然后标记部分边界区域作为背景标签，最后通过标签传播算法预测其它未标记区域的标签信息，得到最终的显著图。
发明内容
本发明所要解决的技术问题是提供一种基于稀疏表示和标签传播的显著性检测方法，同时考虑了图像的全局信息和局部区域联系，融合稀疏表示理论和标签传播算法的优势，具有较高的准确率和回归率，误差较低，优于现有的方法。
本发明为解决上述技术问题所采用的技术方案是：
一种基于稀疏表示和标签传播的显著性检测方法，包括以下步骤：
步骤一：构建邻接矩阵
采用SLIC算法，将图像分割成N 个超像素点，将这N 个超像素视作N 个数据，然后对这个由N 个数据组成的数据集进行稀疏表示，数据集中每个点的稀疏表示由式（1）得到：
（1）
其中是N 个超像素点组成的数据集，式（1）的最优解；令矩阵为数据集除去第i 列得到的新矩阵，，D 为数据维度，考虑噪声影响及信号对过完备数据矩阵的敏感性，得到点相对于矩阵的稀疏表示，如式（2）所示：
（2）
其中，，是一个常量，为第i 个超像素的特征向量；F 为约束矩阵，C是由系数向量组成的矩阵，L 是约束矩阵F 的拉普拉斯矩阵，，H 是一个对角矩阵，其每个元素是F 矩阵中一行之和，即，参数是权重系数，在向量的第i 行插入一个零值，得到N 维的向量；
对每个超像素中的像素点，用一个9维的向量S 表示，如式（3）所示：
（3）
其中，分别表示CIELAB色彩空间的值， 分别表示图像的灰度值在水平和竖直方向对应的一阶和二阶导数，代表图像的纹理信息，x,y表示图片的空间位置，，是一个常数，用于调整颜色、纹理特征与空间位置特征的比例；
对每个超像素，根据式（4）-（5）计算一个9*9的协方差矩阵M ；
（4）
（5）
其中，表示超像素第i 个特征的平均值，表示超像素内第k 个像素的第i 个特征值，K 表示超像素内像素的个数；
任意两个给定超像素的不相似性如公式（6）所示：
（6）
其中，为两个超像素协方差的广义特征值，由计算而得；
由此，可计算两个超像素之间的关联，得到其约束矩阵；约束矩阵任意两个超像素之间值的计算如式（7）所示，其中，是一个常数：
（7）
得到约束矩阵后，计算其对应的拉普拉斯矩阵L ，把L 和U 代入式（4），优化计算每个稀疏编码，得到由各个稀疏系数组成的稀疏矩阵，通过式（8）将不对称的稀疏矩阵改写成对称矩阵：
（8）
在对称矩阵的基础上，添加相邻区域的联系，即：假如超像素i 和超像素j 有共同的边界，则令，添加相邻区域联系后所得到的稀疏C 矩阵就是所求的邻接矩阵；
步骤二：计算权值矩阵
通过式（9）计算邻接矩阵中非零节点的权值大小，其中和分别表示两个超像素的平均特征向量，是控制权值大小的常量，由此得到相似度矩阵；
（9）
计算度矩阵，其中，即相似度矩阵中每列的和；
将相似度矩阵归一化后得到权值矩阵：；
步骤三：选取边界标签
对图像的边界区域进行筛选，根据步骤二中得到的相似度矩阵，筛选出30%颜色差异较大的边界点，将剩下的区域设置为背景区域，标记为1；
步骤四：利用标签传播算法进行显著性预测
给定一个数据集，其中前个数据已经被标记，D 是数据的特征维度；定义一个函数，其中表示每一个数据点与标签的相似度，函数的计算公式如式（10）所示：
（10）
其中是权值矩阵中元素值，t 是递归计算的次数；
每次计算完相似度后，重新将初始选中的标签赋值为1并保持不变；其它未标记区域初始值设置为0；经过迭代计算，得到最终结果V ，代表每个待测超像素与标签间相似度，值越大相似度越高，反之相似度低；最后定义显著值sal=(1-V)，得到每个超像素区域的显著值，再还原到每个像素点，即可获得最终的显著图。
本发明所述步骤一中r 的取值范围为（0,1）。
本发明所述步骤一中权重系数的取值为0.2。
本发明所述步骤一中的取值为0.5。
本发明所述步骤一中常数取值为0.5。
本发明所述步骤二中的取值为0.1。
本发明的有益效果是：首先，为了获得图像中各个区域间的潜在联系，本发明应用稀疏表示理论构建稀疏矩阵，同时，将具有紧密联系且处在同一子空间的数据集定义为邻居，这样就增加了图像全局的连续性，在不降低复杂目标准确性的前提下，更好的识别大范围或多目标显著物；其次，本发明通过平均颜色特征（CIELab）计算相邻区域的相似度作为边的权值，构建权值矩阵；然后标记部分边界区域作为背景标签，最后通过标签传播算法预测其它未标记区域的标签信息, 得到最终的显著图。由于稀疏表示理论可以探索出图像中处于同一子空间的各个区域，并用稀疏矩阵表达，这样可以很好的获得基于全局的图像信息。所以本发明在稀疏理论的基础上，定义了新的邻接矩阵，再用标签传播算法进行显著性检测；标签传播算法更考究相连区域的联系，依靠邻接区域特性进行计算，会忽视全局信息，稀疏表示很好的弥补了这个缺点，使得到效果更好的显著性图。本发明对多目标显著物体仍有较好的效果，另外，对于出现在边缘，或是复杂背景下的显著物，也有较高的准确率。
附图说明
图1为本发明方法生成效果图与其它算法生成效果图的对比示例图；
图2为经典算法和近年先进算法共9种模型生成的显著图与本文方法的定性对比示例图；
图3为图库SED1中本发明方法与近年先进算法的PR曲线对比图；
图4为图库DUT-OMRON本发明方法与近年先进算法的PR曲线对比图；
图5为图库ASD PR本发明方法与近年先进算法的PR曲线对比图；
图6为图库PASCAL PR本发明方法与近年先进算法的PR曲线对比图；
图7为图库SED2 PR本发明方法与近年先进算法的PR曲线对比图。
具体实施方式
1、一种基于稀疏表示和标签传播的显著性检测方法，其特征在于：包括以下步骤：
步骤一：构建邻接矩阵
采用SLIC算法，将图像分割成N 个超像素点，将这N 个超像素视作N 个数据，然后对这个由N 个数据组成的数据集进行稀疏表示，数据集中每个点的稀疏表示由式（1）得到：
（1）
其中是N 个超像素点组成的数据集，式（1）的最优解；令矩阵为数据集除去第i 列得到的新矩阵，，D 为数据维度，考虑噪声影响及信号对过完备数据矩阵的敏感性，得到点相对于矩阵的稀疏表示，如式（2）所示：
（2）
其中，，是一个常量，为第i 个超像素的特征向量；F 为约束矩阵，C是由系数向量组成的矩阵，L 是约束矩阵F 的拉普拉斯矩阵，，H 是一个对角矩阵，其每个元素是F 矩阵中一行之和，即，参数是权重系数，在向量的第i 行插入一个零值，得到N 维的向量；
对每个超像素中的像素点，用一个9维的向量S 表示，如式（3）所示：
（3）
其中，分别表示CIELAB色彩空间的值， 分别表示图像的灰度值在水平和竖直方向对应的一阶和二阶导数，代表图像的纹理信息，x,y表示图片的空间位置，，是一个常数，用于调整颜色、纹理特征与空间位置特征的比例；
对每个超像素，根据式（4）-（5）计算一个9*9的协方差矩阵M ；
（4）
（5）
其中，表示超像素第i 个特征的平均值，表示超像素内第k 个像素的第i 个特征值，K 表示超像素内像素的个数；
任意两个给定超像素的不相似性如公式（6）所示：
（6）
其中，为两个超像素协方差的广义特征值，由计算而得；
由此，可计算两个超像素之间的关联，得到其约束矩阵；约束矩阵任意两个超像素之间值的计算如式（7）所示，其中，是一个常数：
（7）
得到约束矩阵后，计算其对应的拉普拉斯矩阵L ，把L 和U 代入式（4），优化计算每个稀疏编码，得到由各个稀疏系数组成的稀疏矩阵，通过式（8）将不对称的稀疏矩阵改写成对称矩阵：
（8）
在对称矩阵的基础上，添加相邻区域的联系，即：假如超像素i 和超像素j 有共同的边界，则令，添加相邻区域联系后所得到的稀疏C 矩阵就是所求的邻接矩阵；
步骤二：计算权值矩阵
通过式（9）计算邻接矩阵中非零节点的权值大小，其中和分别表示两个超像素的平均特征向量，是控制权值大小的常量，由此得到相似度矩阵；
（9）
计算度矩阵，其中，即相似度矩阵中每列的和；
将相似度矩阵归一化后得到权值矩阵：；
步骤三：选取边界标签
对图像的边界区域进行筛选，根据步骤二中得到的相似度矩阵，筛选出30%颜色差异较大的边界点，将剩下的区域设置为背景区域，标记为1；
步骤四：利用标签传播算法进行显著性预测
给定一个数据集，其中前个数据已经被标记，D 是数据的特征维度；定义一个函数，其中表示每一个数据点与标签的相似度，函数的计算公式如式（10）所示：
（10）
其中是权值矩阵中元素值，t 是递归计算的次数；
每次计算完相似度后，重新将初始选中的标签赋值为1并保持不变；其它未标记区域初始值设置为0；经过迭代计算，得到最终结果V ，代表每个待测超像素与标签间相似度，值越大相似度越高，反之相似度低；最后定义显著值sal=(1-V)，得到每个超像素区域的显著值，再还原到每个像素点，即可获得最终的显著图。
进一步，步骤一中r的取值范围为（0,1）。
进一步，步骤一中权重系数的取值为0.2。
进一步，步骤一中的取值为0.5。
进一步，步骤一中常数取值为0.5。
进一步，步骤二中的取值为0.1。
稀疏理论的数学定义为：
任意给定一个新的数据点u和维度为D的数据集U，其中，那么该点就可以被与它处在同一子空间的其他点线性或仿射表示， 计算公式如下：
；
其中是长度为N 的数据集，公式中的c 为列向量，表示系数向量，其中的非零点坐标即对应于该点处在同一子空间的数据点坐标。若矩阵为数据集U 除去第i 列的数据集合，那么对于矩阵可以有以下稀疏表示：
，
其中。
考虑噪声影响后，最优解由下面公式计算：
其中是一个常量，为第i 个超像素的特征向量。为了改善信号对过完备数据矩阵的敏感性，加入约束矩阵F ，如下式所示：
其中，C 是由系数向量组成的矩阵，L 是约束矩阵F 的拉普拉斯矩阵，，H 是一个对角矩阵，其每元素是F 矩阵中一行之和，即。参数是权重系数，这里设为0.2。在向量的第i 行插入一个零值，得到N 维的向量。
实验数据
本发明通过标准的精确率-召回率曲线对本发明提供的方法和现有的先进方法进行评价，获得PR曲线描绘指标；同时以平均绝对误差（MAE）对本发明提供的方法和现有的先进方法进行评价，平均绝对误差（MAE）是以像素点为单位计算显著性图和真值图（GT）之间的平均差异，该评价方法可以显示出显著性图与真值图之间的相似程度，其中，。
本发明针对以下5个标准数据库，将本发明提供的方法与近年先进算法和历史经典算法对比，所述的5个数据库分别为：
SED1: 包含100张图像，含有像素级的真值标注，其中图像中的目标都处于复杂背景中，虽然规模较小，但是难度却很高。
DUT-OMRON: 包含5168张图像，含有像素级的真值标注，其中图像背景非常复杂，目标大小不一，且规模较大，是最具挑战性的图库之一。
ASD: 包含1000张图像，含有像素级的真值标注，其中的图像选自一个更大的图库MSRA10000，大部分图像只有单一目标，背景较简单。
PASCAL: 包含1500张图像，含有像素级真值标注，是含有较为复杂的背景和前景图像，数据库难度较大。
SED2: 包含100张图像，含有像素级真值标注，图像中含有两个目标，虽然规模较小，但是难度很高。
经过对比得到图2~图7的PR曲线对比图，其中图库SED1中本发明方法与近年先进算法的PR曲线对比图如图3所示；图库DUT-OMRON本发明方法与近年先进算法的PR曲线对比图如图4所示；图库ASD PR本发明方法与近年先进算法的PR曲线对比图如图5所示；图库PASCAL PR本发明方法与近年先进算法的PR曲线对比图如图6所示；图库SED2 PR本发明方法与近年先进算法的PR曲线对比图如图7所示。
同时通过计算不同数据库中本发明算法与近年经典先进算法的MAE值得到表1~表3的MAE值对比表，其中，图库ASD中本发明算法与近年经典先进算法的MAE值对比如表1所示，图库PASCAL中本发明算法与近年经典先进算法的MAE值对比如表2所示，图库SED2中本发明算法与近年经典先进算法的MAE值对比如表3所示。
表1 图库ASD中本发明算法与近年经典先进算法的MAE值对比表
表2 图库PASCAL中本发明算法与近年经典先进算法的MAE值对比表
表3图库SED2中本发明算法与近年经典先进算法的MAE值对比表
通过以上图库产生的PR曲线和MAE值, 以及对比近年先进算法和往年经典算法的评估，可以验证本发明提供的方法不仅在简单数据库(ASD)中有较高的准确率，在复杂背景下或多目标图库中也有较高的准确率和回归率，且误差值MAE较小。
Claims (6)
1.一种基于稀疏表示和标签传播的显著性检测方法，其特征在于：包括以下步骤：
步骤一：构建邻接矩阵
采用SLIC算法，将图像分割成N 个超像素点，将这N 个超像素视作N 个数据，然后对这个由N 个数据组成的数据集进行稀疏表示，数据集中每个点的稀疏表示由式（1）得到：
（1）
其中是N 个超像素点组成的数据集，式（1）的最优解；令矩阵为数据集除去第i 列得到的新矩阵，，D 为数据维度，考虑噪声影响及信号对过完备数据矩阵的敏感性，得到点相对于矩阵的稀疏表示，如式（2）所示：
（2）
其中，，是一个常量，为第i 个超像素的特征向量；F 为约束矩阵，C是由系数向量组成的矩阵，L 是约束矩阵F 的拉普拉斯矩阵，，H 是一个对角矩阵，其每个元素是F 矩阵中一行之和，即，参数是权重系数，在向量的第i 行插入一个零值，得到N 维的向量；
对每个超像素中的像素点，用一个9维的向量S 表示，如式（3）所示：
（3）
其中，分别表示CIELAB色彩空间的值， 分别表示图像的灰度值在水平和竖直方向对应的一阶和二阶导数，代表图像的纹理信息，x,y表示图片的空间位置，，是一个常数，用于调整颜色、纹理特征与空间位置特征的比例；
对每个超像素，根据式（4）-（5）计算一个9*9的协方差矩阵M ；
（4）
（5）
其中，表示超像素第i 个特征的平均值，表示超像素内第k 个像素的第i 个特征值，K 表示超像素内像素的个数；
任意两个给定超像素的不相似性如公式（6）所示：
（6）
其中，为两个超像素协方差的广义特征值，由计算而得；
由此，可计算两个超像素之间的关联，得到其约束矩阵；约束矩阵任意两个超像素之间值的计算如式（7）所示，其中，是一个常数：
（7）
得到约束矩阵后，计算其对应的拉普拉斯矩阵L ，把L 和U 代入式（4），优化计算每个稀疏编码，得到由各个稀疏系数组成的稀疏矩阵，通过式（8）将不对称的稀疏矩阵改写成对称矩阵：
（8）
在对称矩阵的基础上，添加相邻区域的联系，即：假如超像素i 和超像素j 有共同的边界，则令，添加相邻区域联系后所得到的稀疏C 矩阵就是所求的邻接矩阵；
步骤二：计算权值矩阵
通过式（9）计算邻接矩阵中非零节点的权值大小，其中和分别表示两个超像素的平均特征向量，是控制权值大小的常量，由此得到相似度矩阵；
（9）
计算度矩阵，其中，即相似度矩阵中每列的和；
将相似度矩阵归一化后得到权值矩阵：；
步骤三：选取边界标签
对图像的边界区域进行筛选，根据步骤二中得到的相似度矩阵，筛选出30%颜色差异较大的边界点，将剩下的区域设置为背景区域，标记为1；
步骤四：利用标签传播算法进行显著性预测
给定一个数据集，其中前个数据已经被标记，D 是数据的特征维度；定义一个函数，其中表示每一个数据点与标签的相似度，函数的计算公式如式（10）所示：
（10）
其中是权值矩阵中元素值，t 是递归计算的次数；
每次计算完相似度后，重新将初始选中的标签赋值为1并保持不变；其它未标记区域初始值设置为0；经过迭代计算，得到最终结果V ，代表每个待测超像素与标签间相似度，值越大相似度越高，反之相似度低；最后定义显著值sal=(1-V)，得到每个超像素区域的显著值，再还原到每个像素点，即可获得最终的显著图。
2.根据权利要求1所述的一种基于稀疏表示和标签传播的显著性检测方法，其特征在于：步骤一中，所述r的取值范围为（0,1）。
3.根据权利要求1所述的一种基于稀疏表示和标签传播的显著性检测方法，其特征在于：步骤一中，所述权重系数的取值为0.2。
4.根据权利要求1所述的一种基于稀疏表示和标签传播的显著性检测方法，其特征在于：步骤一中，所述的取值为0.5。
5.根据权利要求1所述的一种基于稀疏表示和标签传播的显著性检测方法，其特征在于：步骤一中，所述常数取值为0.5。
6.根据权利要求1所述的一种基于稀疏表示和标签传播的显著性检测方法，其特征在于：步骤二中，所述的平方取值为 0.1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610553324.7A CN106228544B (zh) | 2016-07-14 | 2016-07-14 | 一种基于稀疏表示和标签传播的显著性检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610553324.7A CN106228544B (zh) | 2016-07-14 | 2016-07-14 | 一种基于稀疏表示和标签传播的显著性检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106228544A true CN106228544A (zh) | 2016-12-14 |
| CN106228544B CN106228544B (zh) | 2018-11-06 |
Family
ID=57519200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610553324.7A Expired - Fee Related CN106228544B (zh) | 2016-07-14 | 2016-07-14 | 一种基于稀疏表示和标签传播的显著性检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106228544B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529604A (zh) * | 2016-11-24 | 2017-03-22 | 苏州大学 | 一种自适应的图像标签鲁棒预测方法及系统 |
| CN106991443A (zh) * | 2017-03-31 | 2017-07-28 | 西安理工大学 | 图像多特征动态结构融合的标记传播分类方法 |
| CN107133558A (zh) * | 2017-03-13 | 2017-09-05 | 北京航空航天大学 | 一种基于概率传播的红外行人显著性检测方法 |
| CN107256547A (zh) * | 2017-05-26 | 2017-10-17 | 浙江工业大学 | 一种基于显著性检测的表面裂纹识别方法 |
| CN107766857A (zh) * | 2017-10-17 | 2018-03-06 | 天津大学 | 基于图模型构建与标签传播的视觉显著性检测算法 |
| CN107833243A (zh) * | 2017-11-02 | 2018-03-23 | 兰州理工大学 | 基于超像素局部加权度量与反稀疏模型的跟踪方法 |
| CN107977661A (zh) * | 2017-10-13 | 2018-05-01 | 天津工业大学 | 基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法 |
| CN108460379A (zh) * | 2018-02-06 | 2018-08-28 | 西安电子科技大学 | 基于细化空间一致性二阶段图的显著目标检测方法 |
| CN108876788A (zh) * | 2018-06-14 | 2018-11-23 | 国网江苏省电力有限公司电力科学研究院 | 基于多尺度重构误差融合的绝缘子显著性检测方法 |
| CN109598262A (zh) * | 2019-02-11 | 2019-04-09 | 华侨大学 | 一种儿童人脸表情识别方法 |
| US10403046B2 (en) * | 2017-10-20 | 2019-09-03 | Raytheon Company | Field of view (FOV) and key code limited augmented reality to enforce data capture and transmission compliance |
| CN111460233A (zh) * | 2020-03-20 | 2020-07-28 | 北京五八信息技术有限公司 | 一种标签传播方法、装置、电子设备及存储介质 |
| CN111666952A (zh) * | 2020-05-22 | 2020-09-15 | 北京联合大学 | 一种基于标签上下文的显著区域提取方法及系统 |
| US11696011B2 (en) | 2021-10-21 | 2023-07-04 | Raytheon Company | Predictive field-of-view (FOV) and cueing to enforce data capture and transmission compliance in real and near real time video |
| US11700448B1 (en) | 2022-04-29 | 2023-07-11 | Raytheon Company | Computer/human generation, validation and use of a ground truth map to enforce data capture and transmission compliance in real and near real time video of a local scene |
| US11792499B2 (en) | 2021-10-21 | 2023-10-17 | Raytheon Company | Time-delay to enforce data capture and transmission compliance in real and near real time video |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140161355A1 (en) * | 2012-12-12 | 2014-06-12 | Seiko Epson Corporation | Sparse Coding Based Superpixel Representation Using Hierarchical Codebook Constructing And Indexing |
| CN103996195A (zh) * | 2014-05-26 | 2014-08-20 | 清华大学深圳研究生院 | 一种图像显著性检测方法 |
| CN104834933A (zh) * | 2014-02-10 | 2015-08-12 | 华为技术有限公司 | 一种图像显著性区域的检测方法和装置 |
| CN105023264A (zh) * | 2014-04-25 | 2015-11-04 | 南京理工大学 | 一种结合对象性和背景性的红外图像显著特征检测方法 |
-
2016
- 2016-07-14 CN CN201610553324.7A patent/CN106228544B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140161355A1 (en) * | 2012-12-12 | 2014-06-12 | Seiko Epson Corporation | Sparse Coding Based Superpixel Representation Using Hierarchical Codebook Constructing And Indexing |
| CN104834933A (zh) * | 2014-02-10 | 2015-08-12 | 华为技术有限公司 | 一种图像显著性区域的检测方法和装置 |
| CN105023264A (zh) * | 2014-04-25 | 2015-11-04 | 南京理工大学 | 一种结合对象性和背景性的红外图像显著特征检测方法 |
| CN103996195A (zh) * | 2014-05-26 | 2014-08-20 | 清华大学深圳研究生院 | 一种图像显著性检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| EHSAN ELHAMIFAR 等: "Sparse Subspace Clustering", 《IEEE CONFERENCE ON COMPUTER VISION & PATTERN RECOGNITION》 * |
| HONGYANG LI 等: "Inner and Inter Label Propagation：Salient Object Detection in the Wild", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| LIHE ZHANG 等: "Saliency detection via sparse reconstruction and joint label inference in multiple features", 《NEUROCOMPUTING》 * |
| 赵守凤: "基于稀疏重构和多特征联合标签推导的显著性检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529604B (zh) * | 2016-11-24 | 2019-09-27 | 苏州大学 | 一种自适应的图像标签鲁棒预测方法及系统 |
| CN106529604A (zh) * | 2016-11-24 | 2017-03-22 | 苏州大学 | 一种自适应的图像标签鲁棒预测方法及系统 |
| CN107133558A (zh) * | 2017-03-13 | 2017-09-05 | 北京航空航天大学 | 一种基于概率传播的红外行人显著性检测方法 |
| CN107133558B (zh) * | 2017-03-13 | 2020-10-20 | 北京航空航天大学 | 一种基于概率传播的红外行人显著性检测方法 |
| CN106991443A (zh) * | 2017-03-31 | 2017-07-28 | 西安理工大学 | 图像多特征动态结构融合的标记传播分类方法 |
| CN107256547A (zh) * | 2017-05-26 | 2017-10-17 | 浙江工业大学 | 一种基于显著性检测的表面裂纹识别方法 |
| CN107977661A (zh) * | 2017-10-13 | 2018-05-01 | 天津工业大学 | 基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法 |
| CN107977661B (zh) * | 2017-10-13 | 2022-05-03 | 天津工业大学 | 基于fcn与低秩稀疏分解的感兴趣区域检测方法 |
| CN107766857A (zh) * | 2017-10-17 | 2018-03-06 | 天津大学 | 基于图模型构建与标签传播的视觉显著性检测算法 |
| CN107766857B (zh) * | 2017-10-17 | 2021-08-03 | 天津大学 | 基于图模型构建与标签传播的视觉显著性检测算法 |
| US10403046B2 (en) * | 2017-10-20 | 2019-09-03 | Raytheon Company | Field of view (FOV) and key code limited augmented reality to enforce data capture and transmission compliance |
| CN107833243A (zh) * | 2017-11-02 | 2018-03-23 | 兰州理工大学 | 基于超像素局部加权度量与反稀疏模型的跟踪方法 |
| CN108460379B (zh) * | 2018-02-06 | 2021-05-04 | 西安电子科技大学 | 基于细化空间一致性二阶段图的显著目标检测方法 |
| CN108460379A (zh) * | 2018-02-06 | 2018-08-28 | 西安电子科技大学 | 基于细化空间一致性二阶段图的显著目标检测方法 |
| CN108876788A (zh) * | 2018-06-14 | 2018-11-23 | 国网江苏省电力有限公司电力科学研究院 | 基于多尺度重构误差融合的绝缘子显著性检测方法 |
| CN108876788B (zh) * | 2018-06-14 | 2022-02-15 | 国网江苏省电力有限公司电力科学研究院 | 基于多尺度重构误差融合的绝缘子显著性检测方法 |
| CN109598262A (zh) * | 2019-02-11 | 2019-04-09 | 华侨大学 | 一种儿童人脸表情识别方法 |
| CN111460233A (zh) * | 2020-03-20 | 2020-07-28 | 北京五八信息技术有限公司 | 一种标签传播方法、装置、电子设备及存储介质 |
| CN111666952A (zh) * | 2020-05-22 | 2020-09-15 | 北京联合大学 | 一种基于标签上下文的显著区域提取方法及系统 |
| CN111666952B (zh) * | 2020-05-22 | 2023-10-24 | 北京腾信软创科技股份有限公司 | 一种基于标签上下文的显著区域提取方法及系统 |
| US11696011B2 (en) | 2021-10-21 | 2023-07-04 | Raytheon Company | Predictive field-of-view (FOV) and cueing to enforce data capture and transmission compliance in real and near real time video |
| US11792499B2 (en) | 2021-10-21 | 2023-10-17 | Raytheon Company | Time-delay to enforce data capture and transmission compliance in real and near real time video |
| US11700448B1 (en) | 2022-04-29 | 2023-07-11 | Raytheon Company | Computer/human generation, validation and use of a ground truth map to enforce data capture and transmission compliance in real and near real time video of a local scene |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106228544B (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106228544B (zh) | 一种基于稀疏表示和标签传播的显著性检测方法 | |
| US10803546B2 (en) | Systems and methods for unsupervised learning of geometry from images using depth-normal consistency | |
| US9483709B2 (en) | Visual saliency estimation for images and video | |
| Eigen et al. | Predicting depth, surface normals and semantic labels with a common multi-scale convolutional architecture | |
| Xu et al. | Sub-pixel mapping based on a MAP model with multiple shifted hyperspectral imagery | |
| US7620204B2 (en) | Method for tracking objects in videos using covariance matrices | |
| CN108038435B (zh) | 一种基于卷积神经网络的特征提取与目标跟踪方法 | |
| CN107239777B (zh) | 一种基于多视角图模型的餐具检测和识别方法 | |
| Hanek et al. | The contracting curve density algorithm: Fitting parametric curve models to images using local self-adapting separation criteria | |
| JP6597914B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| CN109685830B (zh) | 目标跟踪方法、装置和设备及计算机存储介质 | |
| CN112465021B (zh) | 基于图像插帧法的位姿轨迹估计方法 | |
| CN108401565B (zh) | 基于改进的KAZE特征和Pseudo-RANSAC算法的遥感图像配准方法 | |
| CN109509191A (zh) | 一种图像显著性目标检测方法及系统 | |
| CN110910421A (zh) | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 | |
| CN106157330A (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
| CN114049531A (zh) | 一种基于弱监督人体协同分割的行人再识别方法 | |
| Barath et al. | Multi-H: Efficient recovery of tangent planes in stereo images | |
| Sista et al. | Unsupervised video segmentation and object tracking | |
| Ghosh et al. | Robust simultaneous registration and segmentation with sparse error reconstruction | |
| CN115345902A (zh) | 基于机器学习的红外图像弱小目标检测跟踪方法及系统 | |
| CN114863132A (zh) | 图像空域信息的建模与捕捉方法、系统、设备及存储介质 | |
| Hu et al. | Multi-task l0 gradient minimization for visual tracking | |
| Zhang et al. | Augmented visual feature modeling for matching in low-visibility based on cycle-labeling of Superpixel Flow | |
| JP2018010359A (ja) | 情報処理装置、情報処理方法、およびプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder |
Address after: 450000 Middle Road, 27 District University, Zhengzhou, Henan Province, No. 2 Patentee after: Zhengzhou Institute of Aeronautical Industry Management Address before: 450046 No. 15, Wen Yuan Xi Road, Zheng Dong New District, Zhengzhou, Zhengzhou, Henan, Henan Patentee before: Zhengzhou Institute of Aeronautical Industry Management |
|
| CP02 | Change in the address of a patent holder | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181106 Termination date: 20190714 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |