CN108052939A - 一种基于多图优化和稀有特性的显著目标检测方法 - Google Patents
一种基于多图优化和稀有特性的显著目标检测方法 Download PDFInfo
- Publication number
- CN108052939A CN108052939A CN201711236304.8A CN201711236304A CN108052939A CN 108052939 A CN108052939 A CN 108052939A CN 201711236304 A CN201711236304 A CN 201711236304A CN 108052939 A CN108052939 A CN 108052939A
- Authority
- CN
- China
- Prior art keywords
- mrow
- super
- pixel
- msub
- munderover
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多图优化和稀有特性的显著目标检测方法，包括如下步骤：使用SLIC算法将图像过分割成超像素，计算各超像素的位置和颜色特征；将超像素定义为图的结点，根据超像素的位置和颜色特征分别构造两个不同的图，用于描述输入图像；基于图中结点的度，计算超像素的稀有特性；基于图像边缘超像素和所构造的图，获取种子结点信息；提出多图优化框架，融合所构造的多图、各超像素的稀有特性和种子结点信息，检测出自然场景图像中的显著目标。本发明充分考虑人眼有效的视觉稀有特性，有助于提高复杂自然场景图像中显著目标检测的性能；本发明与其他十五种显著目标检测方法进行比较，验证了该方法检测结果与数据库中的真值图更加一致。
Description
技术领域
本发明涉及图像处理技术领域，尤其是一种基于多图优化和稀有特性的显著目标检测方法。
背景技术
随着信息技术的快速发展，数码图像采集设备(照相机、智能手机等)拍摄的自然场景图像呈现爆炸式增长。此外，由于图像采集的方便快捷，所采集的图像内容复杂多变。在上述图像大数据背景下，如何提高计算机视觉和图像处理的能力是学术界和工业界共同关注的问题。
视觉显著目标检测通过从图像中提取包含关键信息的显著区域来提高计算机视觉和图像处理的性能和速度，是一种强有力的数据分析工具。近年来，基于图优化框架的显著目标检测方法在简单的自然场景图像中取得了一定的效果，但在复杂的自然场景图像中进行显著目标检测具有一定的局限性。
大部分工作基于单个图进行优化，而使用单个图描述图像中包含的信息具有一定的局限性。除此之外，大部分工作在设计优化框架时并没有考虑视觉显著性已有的先验知识，比如稀有特性。因此，开发出一种能够更佳描述图像信息并且融合视觉显著性先验知识的显著目标检测算法是非常必要的。
发明内容
本发明所要解决的技术问题在于，提供一种基于多图优化和稀有特性的显著目标检测方法，能够提高复杂自然场景图像中显著目标检测的性能。
为解决上述技术问题，本发明提供一种基于多图优化和稀有特性的显著目标检测方法，包括如下步骤：
(1)使用SLIC算法将图像过分割成超像素，计算各超像素的位置和颜色特征；
(2)将超像素定义为图的结点，根据超像素的位置和颜色特征分别构造两个不同的图，用于描述输入图像；
(3)基于图中结点的度，计算超像素的稀有特性；
(4)基于图像边缘超像素和所构造的图，获取种子结点信息；
(5)提出多图优化框架，融合所构造的多图、各超像素的稀有特性和种子结点信息，检测出自然场景图像中的显著目标。
优选的，步骤(1)中，将待处理的图像使用SLIC方法过分割成200个同质的超像素；为过分割而成的超像素提取其空间位置特征和CIELab颜色特征。
优选的，步骤(2)中具体为：将过分割而成的超像素定义为图的结点；根据空间位置特征构造一个图：将超像素与周边相邻的超像素进行连接获得图的一部分边，并且将位于图像边缘的各超像素两两相连获得图的另一部分；根据颜色特征构造另一个图：根据CIELab颜色特征将超像素与在CIELab颜色空间中欧几里得距离小于0.15的超像素进行连接获得图的边，上述两个图的边权根据位置和颜色特征计算：
在上式中，i和j分别代表两个超像素，W(i,j)代表连接两个超像素的边的权重，Ds(i,j)和Dc(i,j)分别表示两个超像素之间的空间距离和颜色距离，分别定义为两个超像素空间位置特征和颜色特征的欧几里得距离，尺度参数σ2是控制距离对边权影响的一个常数，设置为0.1。
优选的，步骤(3)具体为：根据上述两个图中结点的度计算各超像素的稀有特性；
在上式中，O(i)代表了超像素i出现的频度，出现频度越大的超像素，稀有性越小；W1(i,j)和W2(i,j)分别代表在上述两个图中连接两个超像素的边的权重，则表示在第一个图中超像素i的度，表示在第二个图中超像素i的度。
优选的，步骤(4)具体为：基于下述优化函数求解种子结点信息；
用向量Q存储各超像素的种子结点信息，向量B表明各超像素是否位于图像的四条边上，如果一个超像素i位于图像边缘，B(i)＝-1；否则，B(i)＝0；Sk(Q)是根据不同图而得的光滑项，表明有边相连的超像素之间的种子结点信息不能相差太远；αk是两个不同光滑项之间的权重，分别设为0.4和0.6；C(Q)是拟合项，如果一个超像素位于图像边缘，那么这个超像素作为前景种子结点的可能性越小，μ是拟合项的权重，设为0.01；
基于图像的四条边缘Btop，Bdown，Bleft和Bright，根据优化函数可以得到四个初始的种子结点信息：Qtop，Qdown，Qleft和Qright，将这四个初始种子结点信息进行归一化并相乘得到最终的种子结点信息；
Qfinal＝Norm(Qtop).*Norm(Qdown).*Norm(Qleft).*Norm(Qright)
在上式中，Norm(.)是将结果归一化到[0,1]之间。
优选的，步骤(5)具体为：构造一个多图优化框架，融合所构造的多图、各超像素的稀有特性和种子结点信息，从而检测出自然场景图像中的显著目标：
在上式中，向量F存储各超像素最终的显著值，表明各超像素属于显著前景目标的可能性，Sk(F)是根据不同图而得的光滑项，表明有边相连的超像素之间的显著值不能相差太远，αk是两个不同光滑项之间的权重，分别设为0.4和0.6，C(F)是拟合项，如果一个超像素属于前景种子结点，那么这个超像素作为显著前景的可能性越大，μ是拟合项的权重，设为0.01，R(F)是稀有项，如果超像素i出现的频度越大，那么这个超像素属于显著前景目标的可能性越小，γ是拟合项的权重，设为0.02。
本发明的有益效果为：本发明充分考虑人眼有效的视觉稀有特性，有助于提高复杂自然场景图像中显著目标检测的性能；本发明与其他十五种显著目标检测方法进行了比较，验证了该方法所得显著目标检测结果与数据库中的真值图更加一致。
附图说明
图1为本发明的方法流程示意图。
图2为本发明应用于显著目标检测问题时，与十五种显著目标检测方法的视觉比较示意图。
具体实施方式
如图1所示，本实施例的基于多图优化和稀有特性的显著目标检测方法，依次包括以下步骤：
S1：使用现有的SLIC算法将图像过分割成超像素，计算各超像素的位置和颜色特征；
在本实施例中，将待处理的图像使用SLIC方法过分割成200个同质的超像素；为过分割而成的超像素提取其空间位置特征和CIELab颜色特征。
S2：将超像素定义为图的结点，根据超像素的位置和颜色特征分别构造两个不同的图，用于描述输入图像；
在本实施例中，将过分割而成的超像素定义为图的结点。根据空间位置特征构造一个图：将超像素与周边相邻的超像素进行连接获得图的一部分边，并且将位于图像边缘的各超像素两两相连获得图的另一部分。根据颜色特征构造另一个图：根据CIELab颜色特征将超像素与在CIELab颜色空间中欧几里得距离小于0.15的超像素进行连接获得图的边。上述两个图的边权根据位置和颜色特征计算。
在上式中，i和j分别代表两个超像素，W(i,j)代表连接两个超像素的边的权重。Ds(i,j)和Dc(i,j)分别表示两个超像素之间的空间距离和颜色距离，分别定义为两个超像素空间位置特征和颜色特征的欧几里得距离。尺度参数σ2是控制距离对边权影响的一个常数，设置为0.1。
S3：基于图中结点的度，计算超像素的稀有特性；
在本实施例中，根据上述两个图中结点的度计算各超像素的稀有特性。
在上式中，O(i)代表了超像素i出现的频度：出现频度越大的超像素，稀有性越小。W1(i,j)和W2(i,j)分别代表在上述两个图中连接两个超像素的边的权重，则表示在第一个图中超像素i的度，表示在第二个图中超像素i的度。
S4：基于图像边缘超像素和所构造的多图，获取种子结点信息；
在本实施例中，基于下述优化函数求解种子结点信息。
用向量Q存储各超像素的种子结点信息。向量B表明各超像素是否位于图像的四条边上：如果一个超像素i位于图像边缘，B(i)＝-1；否则，B(i)＝0。Sk(Q)是根据不同图而得的光滑项，表明有边相连的超像素之间的种子结点信息不能相差太远。αk是两个不同光滑项之间的权重，分别设为0.4和0.6。C(Q)是拟合项：如果一个超像素位于图像边缘，那么这个超像素作为前景种子结点的可能性越小。μ是拟合项的权重，设为0.01。
基于图像的四条边缘(Btop，Bdown，Bleft和Bright)，根据权利要求9所述的优化函数可以得到四个初始的种子结点信息：Qtop，Qdown，Qleft和Qright。将这四个初始种子结点信息进行归一化并相乘得到最终的种子结点信息。
Qfinal＝Norm(Qtop).*Norm(Qdown).*Norm(Qleft).*Norm(Qright)
在上式中，Norm(.)是将结果归一化到[0,1]之间。
S5：提出一个多图优化框架，融合所构造的多图、各超像素的稀有特性和种子结点信息，从而检测出自然场景图像中的显著目标。
在本实施例中，构造一个多图优化框架，融合所构造的多图、各超像素的稀有特性和种子结点信息，从而检测出自然场景图像中的显著目标：
在上式中，向量F存储各超像素最终的显著值，表明各超像素属于显著前景目标的可能性。Sk(F)是根据不同图而得的光滑项，表明有边相连的超像素之间的显著值不能相差太远。αk是两个不同光滑项之间的权重，分别设为0.4和0.6。C(F)是拟合项：如果一个超像素属于前景种子结点，那么这个超像素作为显著前景的可能性越大。μ是拟合项的权重，设为0.01。R(F)是稀有项：如果超像素i出现的频度越大，那么这个超像素属于显著前景目标的可能性越小。γ是拟合项的权重，设为0.02。
此处，将本方法和十五种当前最好的显著目标检测方法进行了对比。这15种方法分别是：GP方法、RR方法、CL方法、BD方法、GR方法、AM方法、HS方法、HM方法、CB方法、RC方法、GB方法、HC方法、FT方法、LC方法和IT方法。比较结果如图2所示。第a列是输入的原图，第b列是人工标注的真值图，第c列是本方法的检测结果，其他各列是其余不同方法的检测结果。由图可以看出，本发明有助于在复杂自然场景图像中检测出显著目标，使得检测结果与人工标注的真值图更加一致。
尽管本发明就优选实施方式进行了示意和描述，但本领域的技术人员应当理解，只要不超出本发明的权利要求所限定的范围，可以对本发明进行各种变化和修改。
Claims (6)
1.一种基于多图优化和稀有特性的显著目标检测方法，其特征在于，包括如下步骤：
(1)使用SLIC算法将图像过分割成超像素，计算各超像素的位置和颜色特征；
(2)将超像素定义为图的结点，根据超像素的位置和颜色特征分别构造两个不同的图，用于描述输入图像；
(3)基于图中结点的度，计算超像素的稀有特性；
(4)基于图像边缘超像素和所构造的图，获取种子结点信息；
(5)提出多图优化框架，融合所构造的多图、各超像素的稀有特性和种子结点信息，检测出自然场景图像中的显著目标。
2.如权利要求1所述的基于多图优化和稀有特性的显著目标检测方法，其特征在于，步骤(1)中，将待处理的图像使用SLIC方法过分割成200个同质的超像素；为过分割而成的超像素提取其空间位置特征和CIELab颜色特征。
3.如权利要求1所述的基于多图优化和稀有特性的显著目标检测方法，其特征在于，步骤(2)中具体为：将过分割而成的超像素定义为图的结点；根据空间位置特征构造一个图：将超像素与周边相邻的超像素进行连接获得图的一部分边，并且将位于图像边缘的各超像素两两相连获得图的另一部分；根据颜色特征构造另一个图：根据CIELab颜色特征将超像素与在CIELab颜色空间中欧几里得距离小于0.15的超像素进行连接获得图的边，上述两个图的边权根据位置和颜色特征计算；
<mrow>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>D</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>D</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
在上式中，i和j分别代表两个超像素，W(i,j)代表连接两个超像素的边的权重，Ds(i,j)和Dc(i,j)分别表示两个超像素之间的空间距离和颜色距离，分别定义为两个超像素空间位置特征和颜色特征的欧几里得距离，尺度参数σ2是控制距离对边权影响的一个常数，设置为0.1。
4.如权利要求1所述的基于多图优化和稀有特性的显著目标检测方法，其特征在于，步骤(3)具体为：根据上述两个图中结点的度计算各超像素的稀有特性；
<mrow>
<mi>O</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>W</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>W</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
在上式中，O(i)代表了超像素i出现的频度，出现频度越大的超像素，稀有性越小；W1(i,j)和W2(i,j)分别代表在上述两个图中连接两个超像素的边的权重，则表示在第一个图中超像素i的度，表示在第二个图中超像素i的度。
5.如权利要求1所述的基于多图优化和稀有特性的显著目标检测方法，其特征在于，步骤(4)具体为：基于下述优化函数求解种子结点信息；
<mrow>
<mi>Q</mi>
<mo>*</mo>
<mo>=</mo>
<munder>
<mi>argmin</mi>
<mi>Q</mi>
</munder>
<mo>{</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>k</mi>
</msub>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&mu;</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
<mrow>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>W</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>|</mo>
<mo>|</mo>
<mi>Q</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<mi>Q</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<mi>Q</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<mi>B</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
用向量Q存储各超像素的种子结点信息，向量B表明各超像素是否位于图像的四条边上，如果一个超像素i位于图像边缘，B(i)＝-1；否则，B(i)＝0；Sk(Q)是根据不同图而得的光滑项，表明有边相连的超像素之间的种子结点信息不能相差太远；αk是两个不同光滑项之间的权重，分别设为0.4和0.6；C(Q)是拟合项，如果一个超像素位于图像边缘，那么这个超像素作为前景种子结点的可能性越小，μ是拟合项的权重，设为0.01；
基于图像的四条边缘Btop，Bdown，Bleft和Bright，根据优化函数可以得到四个初始的种子结点信息：Qtop，Qdown，Qleft和Qright，将这四个初始种子结点信息进行归一化并相乘得到最终的种子结点信息；
Qfinal＝Norm(Qtop).*Norm(Qdown).*Norm(Qleft).*Norm(Qright)
在上式中，Norm(.)是将结果归一化到[0,1]之间。
6.如权利要求1所述的基于多图优化和稀有特性的显著目标检测方法，其特征在于，步骤(5)具体为：构造一个多图优化框架，融合所构造的多图、各超像素的稀有特性和种子结点信息，从而检测出自然场景图像中的显著目标：
<mrow>
<mi>F</mi>
<mo>*</mo>
<mo>=</mo>
<munder>
<mi>argmin</mi>
<mi>F</mi>
</munder>
<mo>{</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>k</mi>
</msub>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&mu;</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&gamma;</mi>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
<mrow>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>W</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>|</mo>
<mo>|</mo>
<mi>F</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<mi>F</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<mi>F</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<mi>Q</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mi>O</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>|</mo>
<mo>|</mo>
<mi>F</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
在上式中，向量F存储各超像素最终的显著值，表明各超像素属于显著前景目标的可能性，Sk(F)是根据不同图而得的光滑项，表明有边相连的超像素之间的显著值不能相差太远，αk是两个不同光滑项之间的权重，分别设为0.4和0.6，C(F)是拟合项，如果一个超像素属于前景种子结点，那么这个超像素作为显著前景的可能性越大，μ是拟合项的权重，设为0.01，R(F)是稀有项，如果超像素i出现的频度越大，那么这个超像素属于显著前景目标的可能性越小，γ是拟合项的权重，设为0.02。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711236304.8A CN108052939A (zh) | 2017-11-30 | 2017-11-30 | 一种基于多图优化和稀有特性的显著目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711236304.8A CN108052939A (zh) | 2017-11-30 | 2017-11-30 | 一种基于多图优化和稀有特性的显著目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108052939A true CN108052939A (zh) | 2018-05-18 |
Family
ID=62121719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711236304.8A Pending CN108052939A (zh) | 2017-11-30 | 2017-11-30 | 一种基于多图优化和稀有特性的显著目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108052939A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109522909A (zh) * | 2018-11-26 | 2019-03-26 | 东南大学 | 一种基于空间、颜色和中央偏置先验的概率超图构造方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105869173A (zh) * | 2016-04-19 | 2016-08-17 | 天津大学 | 一种立体视觉显著性检测方法 |
| CN106778635A (zh) * | 2016-12-19 | 2017-05-31 | 江苏慧眼数据科技股份有限公司 | 一种基于视觉显著性的人体区域检测方法 |
| CN107256412A (zh) * | 2017-05-26 | 2017-10-17 | 东南大学 | 一种基于多人眼感知分组特性的图构造方法 |
-
2017
- 2017-11-30 CN CN201711236304.8A patent/CN108052939A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105869173A (zh) * | 2016-04-19 | 2016-08-17 | 天津大学 | 一种立体视觉显著性检测方法 |
| CN106778635A (zh) * | 2016-12-19 | 2017-05-31 | 江苏慧眼数据科技股份有限公司 | 一种基于视觉显著性的人体区域检测方法 |
| CN107256412A (zh) * | 2017-05-26 | 2017-10-17 | 东南大学 | 一种基于多人眼感知分组特性的图构造方法 |
Non-Patent Citations (1)
| Title |
|---|
| JINXIA ZHANG，ET AL.: "A novel graph-based optimization framework for salient object detection", 《PATTERN RECOGNITION》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109522909A (zh) * | 2018-11-26 | 2019-03-26 | 东南大学 | 一种基于空间、颜色和中央偏置先验的概率超图构造方法 |
| CN109522909B (zh) * | 2018-11-26 | 2022-03-11 | 东南大学 | 一种基于空间、颜色和中央偏置先验的概率超图构造方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10803554B2 (en) | Image processing method and device | |
| CN105608456B (zh) | 一种基于全卷积网络的多方向文本检测方法 | |
| CN110363134B (zh) | 一种基于语义分割的人脸遮挡区定位方法 | |
| CN105608454B (zh) | 基于文字结构部件检测神经网络的文字检测方法及系统 | |
| CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
| Yang et al. | Traffic sign recognition in disturbing environments | |
| Berezhnoy et al. | Computer analysis of van Gogh’s complementary colours | |
| CN104240264B (zh) | 一种运动物体的高度检测方法和装置 | |
| CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
| CN107066972B (zh) | 基于多通道极值区域的自然场景文本检测方法 | |
| CN103729649A (zh) | 一种图像旋转角度检测方法和装置 | |
| CN107274373B (zh) | 直播中打码方法及装置 | |
| CN110992238A (zh) | 一种基于双通道网络的数字图像篡改盲检测方法 | |
| CN103745104A (zh) | 一种基于增强现实技术的评卷方法 | |
| CN106682628B (zh) | 一种基于多层深度特征信息的人脸属性分类方法 | |
| CN106548169A (zh) | 基于深度神经网络的模糊文字增强方法及装置 | |
| CN108022244A (zh) | 一种基于前景和背景种子用于显著目标检测的超图优化方法 | |
| CN103617413B (zh) | 一种在图像中识别物体的方法 | |
| CN108171689A (zh) | 一种显示器屏幕图像翻拍的鉴定方法、装置及存储介质 | |
| CN109800713A (zh) | 基于区域增长的遥感图像云检测方法 | |
| CN108647264A (zh) | 一种基于支持向量机的图像自动标注方法及装置 | |
| CN110223310A (zh) | 一种基于深度学习的线结构光中心线和箱体边缘检测方法 | |
| CN109800756A (zh) | 一种用于中文历史文献密集文本的文字检测识别方法 | |
| Uddin et al. | Bangla sign language interpretation using bag of features and Support Vector Machine | |
| CN109583341B (zh) | 对包含人像的图像的多人骨骼关键点检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180518 |
|
| RJ01 | Rejection of invention patent application after publication |