CN106373162A - 一种基于显著性融合与传播的显著物体检测方法 - Google Patents
一种基于显著性融合与传播的显著物体检测方法 Download PDFInfo
- Publication number
- CN106373162A CN106373162A CN201510435772.2A CN201510435772A CN106373162A CN 106373162 A CN106373162 A CN 106373162A CN 201510435772 A CN201510435772 A CN 201510435772A CN 106373162 A CN106373162 A CN 106373162A
- Authority
- CN
- China
- Prior art keywords
- block
- significance
- image
- value
- color
- 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 54
- 230000004927 fusion Effects 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 13
- 230000000644 propagated effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000007796 conventional method Methods 0.000 abstract 1
- 230000007480 spreading Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
一种基于显著性融合与传播的显著物体检测方法,针对RGB‑D图像,首先分别利用图像的颜色特征和空间特征进行显著物体检测,然后通过融合二者的结果得到一个高准确率的显著性图,最后通过一种基于块的显著性传播方法来扩大显著区域和提高显著物体的完整性。本发明充分发掘了RGB‑D图像的彩色通道和深度通道,利用颜色特征和空间特征进行显著性检测,并采用融合‑传播策略提高检测结果的准确率和召回率,能够应对在RGB‑D图像中检测显著物体的任务,并能够取得比现有方法更优秀的效果。
Description
技术领域
本发明属于计算机视觉领域,涉及到针对RGB-D图像的显著物体检测方法,具体为一种基于显著性融合与显著性传播的显著物体检测方法。
背景技术
在计算机视觉领域,显著性检测是一项非常重要的研究内容,利用显著性检测技术,计算机能够自动识别图像中的显著区域。许多基于内容的图像处理应用都以显著性检测的结果为基础,例如图像分类、基于内容的图像缩放等。
显著性检测的方法可以分为两个类别:注视点预测和显著物体检测。注视点预测侧重于研究和模拟人类视觉系统的视觉注意机制,它的检测结果表现为稀疏的点状区域;显著物体检测则倾向于指出完整的显著物体,它的检测结果表现为平整的区域。本发明所涉及的方法属于显著物体检测方法。
研究显著物体检测方法的关键问题在于选择图像的何种特征,以及如何利用所选择的特征。近年来,显著物体检测方法的研究取得了较大的进展,许多研究者提出了效果优秀的显著物体检测方法,这些方法往往利用了图像的颜色特征和位置特征。
随着RGB-D图像的出现和广泛应用,针对RGB-D图像的显著物体检测方法也有了很大的应用价值,然而将传统的显著物体检测方法直接应用于RGB-D图像并不能充分利用RGB-D图像所提供的信息,因此有必要提出针对RGB-D图像的显著物体检测方法。
现有的针对RGB-D图像的显著物体检测方法往往分别对彩色通道和深度通道进行显著性检测,然后通过相乘、取最大值等方法对结果进行融合,并不做进一步处理。这种融合后不作处理的简单处理方式,容易造成显著区域过大或者过小。例如,采用相乘方法融合时,只有彩色通道和深度通道上都显著的区域才会被检测出,会造成显著区域过小;而采用取最大值方法融合时,只要彩色通道或深度通道上显著的区域就会被检测出,会造成显著区域过大。因此,它们的效果依然有改进的空间。
发明内容
本发明要解决的问题是:传统的针对彩色图像的显著物体检测方法不足以应对在RGB-D图像中检测显著物体的任务,因为它们无法利用深度图像所提供的信息;现有的针对RGB-D图像的显著物体检测算法分别利用彩色通道和深度通道的信息,然后对结果 进行简单的融合,但没有对融合的结果进行改善。
本发明的技术方案为:一种基于显著性融合与传播的显著物体检测方法,用于在RGB-D图像上,分别利用颜色特征与空间特征进行显著物体检测,然后进行显著性融合与传播,最终获得显著物体检测结果,包括以下步骤:
1)输入RGB-D图像中的彩色通道,采用针对彩色图像的显著物体检测方法,进行基于颜色特征的显著性检测;
2)输入RGB-D图像中的深度通道,在对图像分块的基础上,进行基于空间特征的显著物体检测;
3)将1)和2)中的结果相乘,进行显著性融合,得到融合后的显著性图;
4)对融合后的显著性图进行基于块的显著性传播,传播权重由块与块之间的颜色相似性和空间距离共同决定,具体为:
4.1)将RGB-D图像分为M×N块,计算出每个块在L*a*b*颜色空间上的平均颜色和每个块的平均深度;
4.2)对于RGB-D图像中的任意两个块pm,m,m=1,2,…,M,n=1,2,…,N,和pi,j,i=1,2,…,M,j=1,2,…,N,根据它们之间的颜色距离定义两个块的颜色相似性传播权重:
其中,cm,m和ci,j分别表示pm,n和pi,j在L*a*b*颜色空间中的平均颜色,δ是用于调节显著性分布的参数,δ的值越大,块之间根据颜色相似性进行传播的范围就越大;
4.3)对于块pm,n和pi,j,根据它们在三维空间中的距离定义两个块的空间距离传播权重:
其中,(m′,n′)和(i′,j′)分别表示pm,n和pi,j归一化之后的坐标,dm,n和di,j分别表示pm,n和pi,j的平均深度值;参数σ控制显著性值的分布,σ的值越大,块之间根据空间距离进行传播的范围就越大;α单独控制显著性值在深度上的分布,α的值越大,在深度方向上传播的范围就越大;
4.4)综合4.2)和4.3),块pm,n和pi,j之间的显著性传播权重为:
ω(pm,n,pi,j)=ωc(pm,n,pi,j)·ωs(pm,n,pi,j)
所有块与块之间的传播权重构成传播矩阵;
4.5)在步骤3)所得到的融合显著性图中迭代地使用4.4)中的传播矩阵进行块与块之间的显著性传播,直到融合显著性图的变化小于预设的阈值或者传播次数达到预设的阈值为止,得到最终的显著性图。
步骤2)使用一种反映显著物体在三维空间中分布规律的空间偏置模型进行基于空间特征的显著物体检测,具体为:
2.1)将深度通道分为M×N块,并计算出每个块的平均深度;
2.2)对于深度通道中的每一个块pm,n(m=1,2,…,M,n=1,2,…,N),根据它在成像平面中的位置以及它的平均深度值,利用空间偏置模型计算它的显著性值Sm , n:
其中,和表示pm,n归一化之后的坐标;dm,n是pm,n对应的平均深度值,dm,n的值被归一化到[0,1],1表示最近;参数θ控制显著性值的分布,β单独控制显著性值在深度上的分布。
步骤3)使用逐像素相乘的方法对步骤1)和步骤2)所生成的显著性图进行融合。
本发明与现有技术相比有如下优点:充分利用了RGB-D图像的彩色通道和深度通道;对分别基于颜色特征和空间特征所获得的显著性图进行融合时,采用逐像素相乘的融合方法来获得在不同通道上都显著的、较小的显著区域,以提高检测结果的准确率;在此基础上,采用显著性传播的方法来扩展显著区域,将与高准确率的显著区域在颜色上较为相似且空间距离上较为相近的区域纳入显著物体,以提高显著物体的完整性,使得检测结果在高准确率的情况下拥有较高的召回率。图3展示了现有技术的显著性简单融合后不作处理的检测结果和本发明的显著性融合与传播的检测结果的比较示例,图中五列分别为(a)RGB-D图像的RGB通道,(b)RGB-D图像的深度通道,(c)人工标注的显著物体,(d)显著性融合的检测结果,(e)显著性融合-传播的检测结果,明显可见本发明检测结果具有更精确的检测结果。
附图说明
图1为本发明的实施流程。
图2为本发明的显著性传播的实施流程。
图3为本发明的检测结果示例。
图4为本发明与现有代表性方法在NJU400数据集上的比较结果,(a)为PR曲线,(b)为ROC曲线。
图5为本发明与现有代表性方法在RGBD Benchmark数据集上的比较结果,(a)为PR曲线,(b)为ROC曲线。
具体实施方式
本发明针对RGB-D图像提出了一种基于显著性融合与传播的显著物体检测方法,如图1所示,包括以下步骤:
1)输入RGB-D图像中的彩色通道,直接采用现有的针对彩色图像的显著物体检测方法生成显著性图,要求该方法在显著物体检测的过程中利用了图像的颜色特征,例如频率调谐(Frequency-tuned,FT)方法(参考文献1)、区域对比度(Region Contrast,RC)方法(参考文献2)等;
2)输入RGB-D图像中的深度通道,将深度图像分为M×N块,并计算出每个块的平均深度。对于图像中的每一个块pm,n(m=1,2,…,M,n=1,2,…,N),根据它在成像平面中的位置以及它的平均深度值,利用一种空间偏置模型计算它的显著性值:
其中,和表示pm,n归一化之后的坐标;dm,n是pm,n对应的深度值,dm,n的值应该被归一化到[0,1],1表示最近;参数θ控制显著性值的分布,β单独控制显著性值在深度上的分布。本发明的实施例中使用了θ2=0.2和β=4。
3)使用逐像素相乘的方法对步骤1)和步骤2)所生成的显著性图进行融合。
4)将RGB-D图像分为M×N块,计算出每个块在L*a*b*颜色空间上的平均颜色和每个块的平均深度。对于图像中的任意两个块pm,n(m=1,2,…,M,n=1,2,…,N)和pi,j(i=1,2,…,M,j=1,2,…,N),根据它们之间的颜色距离定义传播权重:
其中,cm,n和ci,j分别表示pm,n和pi,j在L*a*b*颜色空间中的平均颜色,δ是用于调节显著性分布的参数。本发明的实施例中使用了δ=0.2。
对于块pm,n和pi,j,根据它们在三维空间中的距离定义传播权重:
其中,(m′,n′)和(i′,j′)分别表示pm,n和pi,j归一化之后的坐标,dm,n和di,j分别表示pm,n和pi,j的深度值。参数σ和α与步骤2)中的作用相同,本发明的实施例中使用了σ2=0.005和α=0.25。
综合上述基于颜色的传播权重和基于空间距离的传播权重,块pm,n和pi,j之间的显著性传播权重为:
ω(pm,n,pi,j)=ωc(pm,n,pi,j)·ωs(pm,n,pi,j)
如图2所示,本发明的显著性传播为:在步骤3)所得到的融合显著性图中迭代地使用该传播矩阵进行块与块之间的显著性传播,直到显著性图的变化小于预设的阈值或传播次数达到预设的阈值为止,得到最终的显著性图,也就是识别出RGB-D图像中的显著区域。本发明的实施例中使用了显著性图的变化阈值为传播次数的阈值为10次。
本发明的实施例在2个面向RGB-D图像显著性检测的公开数据集上与已有5种面向RGB-D图像的代表性显著性检测方法进行了比较。这两个公开数据集分别为NJU400(参考文献3)和RGBD Benchmark(参考文献4)。这5种代表性方法分别为Niu2012(参考文献5)、Fang2013(参考文献6)、Cheng2014(参考文献7)、Peng2014(参考文献8)和Tang2015(参考文献9)。本发明的实施例所采用的评估方法为准确率-召回率(precision-recall,PR)曲线以及受试者工作特征(receiver operating characteristic,ROC)曲线(参考文献10)。
图4为NJU400数据集上的评估曲线;图5为RGBD Benchmark数据集上的评估曲线。从图4可以看出,本发明的实施例在NJU400数据集上的效果明显优于Niu2012、Fang2013、Peng2014以及Tang2015,略优于Cheng2014。从图5可以看出,本发明的实施例在RGBD Benchmark数据集上的效果明显优于Niu2012、Fang2013、Cheng2014以及Tang2015,略优于Peng2014。由此可见,本发明可以取得比现有面向RGB-D图像显著性检测方法更好的效果。
参考文献:
1:Achanta R,Hemami S,Estrada F,et al.Frequency-tuned salient region detection.Computer Vision and Pattern Recognition(CVPR),2009IEEE conference on.IEEE,2009:1597-1604
2:Cheng M M,Zhang G X,Mitra N J,et al.Global contrast based salient region detection.
Computer Vision and Pattern Recognition(CVPR),2011 IEEE Conference on.IEEE,2011:409-416)
3:Ju R,Ge L,Geng W,et al.Depth saliency based on anisotropic center-surround difference.ICIP.IEEE,2014
4:Peng H,Li B,Xiong W,et al.RGBD salient object detection:a benchmark and algorithms.Computer Vision–ECCV 2014.Springer International Publishing,2014:92-109
5:Niu Y,Geng Y,Li X,et al.Leveraging stereopsis for saliency analysis.Computer Vision and Pattern Recognition(CVPR),2012 IEEE Conference on.IEEE,2012:454-461
6:Fang Y,Wang J,Narwaria M,et al.Saliency detection for stereoscopic images.Visual Communications and Image Processing(VCIP),2013.IEEE,2013:1-6
7:Cheng Y,Fu H,Wei X,et al.Depth Enhanced Saliency Detection Method.Proceedings of International Conference on Internet Multimedia Computing and Service.ACM,2014:23
8:Peng H,Li B,Xiong W,et al.RGBD salient object detection:a benchmark and algorithms.Computer Vision–ECCV 2014.Springer International Publishing,2014:92-109
9:Tang Y,Tong R,Tang M,et al.Depth incorporating with color improves salient object detection.The Visual Computer,2015:1-11
10:Powers D M.Evaluation:from precision,recall and F-measure to ROC,informedness,markedness and correlation.2011
。
Claims (4)
1.一种基于显著性融合与传播的显著物体检测方法,其特征是用于在RGB-D图像上,分别利用颜色特征与空间特征进行显著物体检测,然后进行显著性融合与传播,最终获得显著物体检测结果,包括以下步骤:
1)输入RGB-D图像中的彩色通道,采用针对彩色图像的显著物体检测方法,进行基于颜色特征的显著性检测;
2)输入RGB-D图像中的深度通道,在对图像分块的基础上,进行基于空间特征的显著物体检测;
3)将1)和2)中的结果相乘,进行显著性融合,得到融合后的显著性图;
4)对融合后的显著性图进行基于块的显著性传播,传播权重由块与块之间的颜色相似性和空间距离共同决定,具体为:
4.1)将RGB-D图像分为M×N块,计算出每个块在L*a*b*颜色空间上的平均颜色和每个块的平均深度;
4.2)对于RGB-D图像中的任意两个块pm,n,m=1,2,…,M,n=1,2,…,N,和pi,j,i=1,2,…,M,j=1,2,…,N,根据它们之间的颜色距离定义两个块的颜色相似性传播权重:
其中,cm,n和ci,j分别表示pm,n和pi,j在L*a*b*颜色空间中的平均颜色,δ是用于调节显著性分布的参数,δ的值越大,块之间根据颜色相似性进行传播的范围就越大;
4.3)对于块pm,n和pi,j,根据它们在三维空间中的距离定义两个块的空间距离传播权重:
其中,(m′,n′)和(i′,j′)分别表示pm,n和pi,j归一化之后的坐标,dm,n和di,j分别表示pm,n和pi,j的平均深度值;参数σ控制显著性值的分布,σ的值越大,块之间根据空间距离进行传播的范围就越大;α单独控制显著性值在深度上的分布,α的值越大,在深度方向上传播的范围就越大;
4.4)综合4.2)和4.3),块pm,n和pi,j之间的显著性传播权重为:
ω(pm,n,pi,j)=ωc(pm,n,pi,j)·ωS(pm,n,pi,j)
所有块与块之间的传播权重构成传播矩阵;
4.5)在步骤3)所得到的融合显著性图中迭代地使用4.4)中的传播矩阵进行块与块之间的显著性传播,直到融合显著性图的变化小于预设的阈值或者传播次数达到预设的阈值为止,得到最终的显著性图。
2.根据权利要求1所述的一种基于显著性融合与传播的显著物体检测方法,其特征是步骤1)所述针对彩色通道的显著物体检测方法包括频率调谐方法和区域对比度方法。
3.根据权利要求1所述的一种基于显著性融合与传播的显著物体检测方法,其特征是步骤2)使用一种反映显著物体在三维空间中分布规律的空间偏置模型进行基于空间特征的显著物体检测,具体为:
2.1)将深度通道分为M×N块,并计算出每个块的平均深度;
2.2)对于深度通道中的每一个块pm,n(m=1,2,…,M,n=1,2,…,N),根据它在成像平面中的位置以及它的平均深度值,利用空间偏置模型计算它的显著性值Sm,n:
其中,和表示pm,n归一化之后的坐标;dm,n是pm,n对应的平均深度值,dm,n的值被归一化到[0,1],1表示最近;参数θ控制显著性值的分布,β单独控制显著性值在深度上的分布。
4.根据权利要求1所述的一种基于显著性融合与传播的显著物体检测方法,其特征是步骤3)使用逐像素相乘的方法对步骤1)和步骤2)所生成的显著性图进行融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510435772.2A CN106373162B (zh) | 2015-07-22 | 2015-07-22 | 一种基于显著性融合与传播的显著物体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510435772.2A CN106373162B (zh) | 2015-07-22 | 2015-07-22 | 一种基于显著性融合与传播的显著物体检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106373162A true CN106373162A (zh) | 2017-02-01 |
CN106373162B CN106373162B (zh) | 2019-04-16 |
Family
ID=57880133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510435772.2A Active CN106373162B (zh) | 2015-07-22 | 2015-07-22 | 一种基于显著性融合与传播的显著物体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106373162B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898008A (zh) * | 2017-03-01 | 2017-06-27 | 南京航空航天大学 | 岩石检测方法及装置 |
CN107085848A (zh) * | 2017-04-20 | 2017-08-22 | 安徽大学 | 一种rgb‑d图显著性的检测方法 |
CN108009549A (zh) * | 2017-11-02 | 2018-05-08 | 天津大学 | 一种迭代协同显著性检测方法 |
CN108229430A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种融合注意力图的商品分类方法 |
CN108428240A (zh) * | 2018-03-08 | 2018-08-21 | 南京大学 | 一种对输入信息自适应的显著物体分割方法 |
CN108711147A (zh) * | 2018-05-11 | 2018-10-26 | 天津大学 | 一种基于卷积神经网络的显著性融合检测算法 |
CN109035188A (zh) * | 2018-07-16 | 2018-12-18 | 西北工业大学 | 一种基于目标特征驱动的智能图像融合方法 |
CN109712105A (zh) * | 2018-12-24 | 2019-05-03 | 浙江大学 | 一种结合彩色和深度信息的图像显著目标检测方法 |
CN109903276A (zh) * | 2019-02-23 | 2019-06-18 | 中国民航大学 | 基于多层融合的卷积神经网络rgb-d显著性检测方法 |
WO2019169884A1 (zh) * | 2018-03-09 | 2019-09-12 | 北京大学深圳研究生院 | 基于深度信息的图像显著性检测方法和装置 |
CN115965844A (zh) * | 2023-01-04 | 2023-04-14 | 哈尔滨工业大学 | 基于视觉显著性先验知识的多聚焦图像融合方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198489A (zh) * | 2013-04-27 | 2013-07-10 | 哈尔滨工业大学 | 基于显著性密度与边缘响应的显著物体自动检测方法 |
CN103971116A (zh) * | 2014-04-24 | 2014-08-06 | 西北工业大学 | 基于Kinect的感兴趣区域检测方法 |
WO2015048232A1 (en) * | 2013-09-26 | 2015-04-02 | Tokitae Llc | Systems, devices, and methods for classification and sensor identification using enhanced sparsity |
-
2015
- 2015-07-22 CN CN201510435772.2A patent/CN106373162B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198489A (zh) * | 2013-04-27 | 2013-07-10 | 哈尔滨工业大学 | 基于显著性密度与边缘响应的显著物体自动检测方法 |
WO2015048232A1 (en) * | 2013-09-26 | 2015-04-02 | Tokitae Llc | Systems, devices, and methods for classification and sensor identification using enhanced sparsity |
CN103971116A (zh) * | 2014-04-24 | 2014-08-06 | 西北工业大学 | 基于Kinect的感兴趣区域检测方法 |
Non-Patent Citations (4)
Title |
---|
MING-MING CHENG 等: "Global Contrast Based Salient Region Detection", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
RADHAKRISHNA ACHANTA 等: "Frequency-tuned salient region detection", 《2009 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
TONGWEI REN 等: "How Important is Location in Saliency Detection", 《PROCEEDINGS OF INTERNATIONAL CONFERENCE ON INTERNET MULTIMEDIA COMPUTING AND SERVICE》 * |
熊艳 等: "基于深度调制的超像素分割和显著性检测", 《信息技术》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898008A (zh) * | 2017-03-01 | 2017-06-27 | 南京航空航天大学 | 岩石检测方法及装置 |
CN107085848A (zh) * | 2017-04-20 | 2017-08-22 | 安徽大学 | 一种rgb‑d图显著性的检测方法 |
CN108009549B (zh) * | 2017-11-02 | 2021-06-04 | 天津大学 | 一种迭代协同显著性检测方法 |
CN108009549A (zh) * | 2017-11-02 | 2018-05-08 | 天津大学 | 一种迭代协同显著性检测方法 |
CN108229430A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种融合注意力图的商品分类方法 |
CN108229430B (zh) * | 2018-01-30 | 2022-04-05 | 浙江大学 | 一种融合注意力图的商品分类方法 |
CN108428240B (zh) * | 2018-03-08 | 2022-03-25 | 南京大学 | 一种对输入信息自适应的显著物体分割方法 |
CN108428240A (zh) * | 2018-03-08 | 2018-08-21 | 南京大学 | 一种对输入信息自适应的显著物体分割方法 |
WO2019169884A1 (zh) * | 2018-03-09 | 2019-09-12 | 北京大学深圳研究生院 | 基于深度信息的图像显著性检测方法和装置 |
CN108711147A (zh) * | 2018-05-11 | 2018-10-26 | 天津大学 | 一种基于卷积神经网络的显著性融合检测算法 |
CN109035188A (zh) * | 2018-07-16 | 2018-12-18 | 西北工业大学 | 一种基于目标特征驱动的智能图像融合方法 |
CN109035188B (zh) * | 2018-07-16 | 2022-03-15 | 西北工业大学 | 一种基于目标特征驱动的智能图像融合方法 |
CN109712105A (zh) * | 2018-12-24 | 2019-05-03 | 浙江大学 | 一种结合彩色和深度信息的图像显著目标检测方法 |
CN109903276A (zh) * | 2019-02-23 | 2019-06-18 | 中国民航大学 | 基于多层融合的卷积神经网络rgb-d显著性检测方法 |
CN115965844A (zh) * | 2023-01-04 | 2023-04-14 | 哈尔滨工业大学 | 基于视觉显著性先验知识的多聚焦图像融合方法 |
CN115965844B (zh) * | 2023-01-04 | 2023-08-18 | 哈尔滨工业大学 | 基于视觉显著性先验知识的多聚焦图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106373162B (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106373162A (zh) | 一种基于显著性融合与传播的显著物体检测方法 | |
Chen et al. | Improved saliency detection in RGB-D images using two-phase depth estimation and selective deep fusion | |
Feng et al. | Local background enclosure for RGB-D salient object detection | |
US8290248B2 (en) | Determining disparity search range in stereo videos | |
CN107622489B (zh) | 一种图像篡改检测方法及装置 | |
CN103700099A (zh) | 一种旋转和尺度不变的宽基线立体匹配方法 | |
CN110717527A (zh) | 结合空洞空间金字塔结构的目标检测模型确定方法 | |
CN103424105B (zh) | 对象检测方法和装置 | |
Zhu et al. | A multilayer backpropagation saliency detection algorithm based on depth mining | |
CN102236675A (zh) | 图像特征点匹配对处理、图像检索方法及设备 | |
CN110503643B (zh) | 一种基于多尺度快速场景检索的目标检测方法和装置 | |
KR101618996B1 (ko) | 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치 | |
CN113052185A (zh) | 一种基于Faster R-CNN的小样本目标检测方法 | |
US7627166B2 (en) | Method and mechanism for processing image data | |
CN103942774A (zh) | 一种基于相似性传播的多目标协同显著区域检测方法 | |
CN105138987A (zh) | 一种基于聚合通道特征和运动估计的车辆检测方法 | |
CN106056122A (zh) | 一种基于kaze特征点的图像区域复制粘贴篡改检测方法 | |
CN103942793A (zh) | 基于热扩散的视频一致运动区域检测方法 | |
Ding et al. | Efficient vanishing point detection method in unstructured road environments based on dark channel prior | |
Cao et al. | Fast and robust local feature extraction for 3D reconstruction | |
Vázquez‐Delgado et al. | Real‐time multi‐window stereo matching algorithm with fuzzy logic | |
CN104616304A (zh) | 一种基于fpga的自适应支撑权重的立体匹配方法 | |
CN117095198A (zh) | 遥感图像检索网络训练方法、应用方法、电子设备及介质 | |
CN102314613A (zh) | 一种基于信息理论与支持向量机的镜头边界检测算法 | |
Said et al. | Countries flags detection based on local context network and color features |
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 |