CN109447136A - 一种对于360度图像的显著性检测方法 - Google Patents
一种对于360度图像的显著性检测方法 Download PDFInfo
- Publication number
- CN109447136A CN109447136A CN201811194902.8A CN201811194902A CN109447136A CN 109447136 A CN109447136 A CN 109447136A CN 201811194902 A CN201811194902 A CN 201811194902A CN 109447136 A CN109447136 A CN 109447136A
- Authority
- CN
- China
- Prior art keywords
- degree
- super
- formula
- pixel block
- contrast
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种对于360度图像的显著性检测模型方法,其特征在于:利用简单线性迭代聚类SLIC算法将360度图像分割成超像素块,然后将颜色空间转化为CIE Lab颜色空间,用来提取亮度,颜色和纹理感知特征;接着基于格式塔理论,计算显著性检测的两个组成部分,即特征对比度和边界连接度;最后通过融合特征对比度图和边界连接度图求得360度显著图。在公开的360度图像数据集上的实验表明,该提出的模型能够较为准确地预测图像的显著区域。
Description
技术领域
本发明设计了一种检测360度图像的显著模型方法,属于多媒体技术领域,具体属于数字图像和数字视频处理技术领域。
背景技术
在视觉感知中视觉注意力是很重要的机理,它能够在自然图像中快速准确地处理视觉信息,当观察自然图像时,选择性注意力会让专注于一些具体的显著信息,并且因为极限处理资源而忽略其他并不重要的信息。计算机视觉中的各种研究试图通过刺激HVS中的注意机制来建立视觉注意力的计算模型。显着性检测模型通常分为两种:自底向上和自顶向下,自底向上处理是数据驱动和任务独立下的自动显著区域检测,而自顶向下方法是涉及某些具体任务的认知过程。
在过去的几十年中,许多显着性检测模型已成功用于各种视觉处理应用,例如重定向、视觉质量评价,编码,分割等。Itti等做出了早期的图片视觉注意力模型,通过亮度、颜色和方向的特征对比度;Brue等人基于Itti模型,通过使用一种新的不相似度量,提出了一种基于图形的显着性检测模型,采用信息最大化的概念进行视觉注意建模,该视觉注意模型测量香农的自我信息以获得显着性图;后来,Liu等人通过设计显着树提出了一种新颖的显着性检测模型。
另一种显着性检测模型是在变换域中构建的,在显着性检测提出了变换域中谱残差的概念,在此类研究中,Hou等人使用傅里叶变换中图像的对数谱表示来计算图像的效率值;之后,相位谱用于设计视频序列的视觉注意模型;Guo等人通过逆傅立叶变换在原始相位谱和恒定幅度谱上预测显着性图;Chen等人提出了一种基于频率的显着性模型,该模型基于多个空间Gabor滤波器的傅里叶变换。
基于稀疏编码,Wang等人通过熵率提出了显着性检测模型;最近,一些研究人员采用了块级对比度进行视觉注意建模,Goferman等人通过考虑主要对象的上下文以及对象本身来设计显着性检测模型;Zhang等人通过包围预测提出了眼睛固定预测模型;Fang等人在压缩域中引入了用于图像和视频序列的显着性检测模型;Qi等人提出了布尔图的方法来预测显著区域,在该研究中他们使用基于置信传播的图推断来生成显著图。
上面提到的这些显著性检测方法都是针对2D平面图像或视频而设计的,最近,虚拟现实(VR)在工业界和学术界越来越受欢迎,其中360度图像被广泛用于相关的VR应用。因此,为360度图像设计有效的视觉注意模型是十分有必要,可以用于各种VR应用,如VR的体验质量。与2D平面图像不同,360度图像只有两个边界(上下边界),同时360度图像的左边界和右边界是连接的。
最近,ICME 2017举办了一场名为显著性360度图像的比赛,尝试解决360度图像显着性检测问题是一个极大的挑战,比赛中向参与者提供了一系列具有给定地面实况数据的360度图像,本次比赛中提出的一些模型试图处理360度显着性检测。Ling等人基于稀疏表示的字典提取图像特征,然后使用图像特征和纬度偏差增强来估计360度图像显著性;Lebreton等人探讨了如何将现有的二维图像视觉显着模型扩展到三角形格式的360度图像的高效检测模型;与上面提到的仅使用低级特征的方法不同,Battisti等人结合低级和语义特征用于视觉显著性检测。
目前,有一些利用边界先验的显着性检测模型,然而,所有这些现有研究都使用边界先验进行2D平面图像显着性检测;在一些研究中,只有连接到图像边界的区域才视为背景区域,而其他区域将被视为前景区域;最近,已经提出了一些超像素级显著性检测模型以试图改善2D平面图像上的显著性检测性能。
在这项研究中,基于格式塔理论的图形基础定律,提出了一种新的360度图像显着性检测模型;格式塔理论的图形基础定律表明,与背景相比,前景更小对比度更高;根据这个说法,计算了图像显著性计算的特征对比度和边界连接度。首先,将360度图像分割成超像素,然后将颜色空间转换为CIE Lab颜色空间,从通道L中提取亮度和纹理特征,同时从a和b通道中提取颜色特征,在Lab空间中的每个通道上计算超像素级特征对比度,并估计边界连接度以用于背景测量;最后,将边界连接度和特征对比度结合在一起,以预测360度图像的最终显著性图。
发明内容
本发明涉及一种对于360度图像的显著性检测模型,其特征在于:利用SLIC(简单线性迭代聚类)算法将360度图像分割成超像素块,然后将颜色空间转化为CIE Lab颜色空间,用来提取亮度,颜色和纹理感知特征。接着基于格式塔理论,计算显著性检测的两个组成部分,即特征对比度和边界连接度。最后通过融合特征对比度图和边界连接度图求得360度显著图,在公开的360度图像数据集上的实验表明,该提出的模型能够较为准确地预测图像的显著区域。
为了实现上述目的,本发明采用的技术方案为:
一种对于360度图像的显著性检测模型,其特征在于:首先利用SLIC(简单线性迭代聚类)算法将360度图像分割成超像素块,而后将颜色空间转化为Lab(Lab color space)颜色空间,用来提取亮度,颜色和纹理感知特征;接着基于格式塔理论,计算显著性检测的两个组成部分,即特征对比度和边界连接度;最后的360度显著性图由特征对比图和边界连接度图融合得到。
进一步地,所述特征对比度包含:亮度、纹理、颜色对比度。
进一步地,特征对比度按照式(1)来计算。
其中n∈{L,T,a,b};代表超像素块i与超像素块j之间的特征差异,是通过曼哈顿公式计算得到;N为归一化操作;dij代表像素块i与超像素块j之间的距离;L、a、b表示通道,T代表纹理特征图。
进一步地,通过计算两个超像素块的中心距离来衡量两个超像素块的距离,距离按照
式(2)来计算。
其中x和y分别代表超像素i和j之间的水平距离和垂直距离,w表示360度图像的宽度。
进一步地,纹理特征图的计算,运用L通道的水平梯度和垂直梯度计算而来。纹理特征图按照(3)式计算而来。
其中Ta和Tb分别代表L通道的水平梯度,垂直梯度。
进一步地,特征对比度,对于超像素块的亮度,纹理和颜色的特征差异是由公式(1)计算得出的,而纹理特征是由公式(3)得出。
进一步地,整体特征对比度图,在得出亮度,纹理和颜色特征对比度图后,可以通过式(4)得出360度图像的整体特征对比度图:
其中M为4,代表特征对比图的数量;N为归一化运算,Cn为特征对比度。
进一步地,边界连接度,在这里,提出了一个全新可靠的360度边界连接度测量标准,通过格式塔理论的视觉感知特性去获得先验背景。其得到的相关连接度可通过(5)计算得到:
其中Fi是超像素块i的360度图像边界连接度,αi代表超像素块i到360度图像上下边界的距离,βi表示超像素块i的大小,λ是一个调节参数,N为归一化函数;由公式(5)可以看出,连接度与超像素块到边界的距离和像素块大小有关,并且与距离成比例、与超像素尺寸成反比。
进一步地,是关于特征对比图和边界连接度的融合:特征对比图由各个特征对比图求平均得到,由公式(4)可以看出;边界连接度与像素块的大小和距离有关。最后可根据公式(6)可将两部分信息进行融合。
其中由公式(4)得到,表示各个特征对比图的均值;F表示360度图像的边界连接度图。
进一步地,利用图像的多尺度特性以提高显著区域与非显著区域的对比度,最后360度显著图可以通过公式(7)计算得到。
其中k代表输入图像的超像素块数;R代表尺度个数,在本公式中R=4;Sk由公式(6)计算的结果,r代表超像素块数或与超像素块数关联的图像块数因子。
附图说明
图1为本发明的算法流程框架图;
图2为不同显著性检测模型算法比较的实例。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的技术方案主要包括以下几点设计/研究:
(1)基于格式塔理论的图形基础定律,提出了一种新的360度图像显着性检测模型。
(2)一种可靠的360度边界连接度背景测量,被定义为计算360度图像中的背景先验。
本发明各个部分的具体操作如下:
低层级的特征对比图的计算:
首先,将360度图像分割为超像素并且将颜色空间转化为CIE Lab颜色空间,从L通道提取亮度和纹理特征,同时从a和b通道提取颜色特征。其中将图像分割成超像素的算法是SLIC,一个目前运用非常广泛的算法。其次将得到的超像素图像转化为CIE Lab颜色空间,原因是人们的视觉对Lab颜色空间具有更敏感的反应。在Lab的颜色空间中,因为在L通道中主要包含着信息,同时在a通道和b通道包含颜色信息;因此分别从L通道提取亮度和纹理特征,从a通道和b通道提取颜色特征,虽然L、a、b三通道中都含有纹理信息,但主要存在于L通道,对于a和b通道的纹理信息选择忽略,从而减小模型的复杂度。
颜色、亮度和纹理特征对比度按照式(8)来计算。
其中n∈{L,T,a,b};代表超像素块i与超像素块j之间的特征差,是通过曼哈顿公式计算得到;N为归一化操作;dij代表像素块i与超像素块j之间的距离。
计算两个超像素块的中心距离,距离按照式(9)来计算。
其中x和y分别代表超像素i和j之间的水平距离和垂直距离,w表示360度图像的宽度。
纹理特征图的计算,运用L通道的水平梯度和垂直梯度计算而来。纹理特征图按照(10)式计算而来。
其中Ta和Tb分别代表L通道的水平梯度和垂直梯度。
在得出亮度,颜色和纹理特征对比度图后,可以通过式(11)得出360度图像的整体特征对比度图:
其中M为4,代表特征对比图的数量;N为归一化运算。
●边界连接度计算:
在这里,提出了一个全新可靠的360度边界连接度测量标准,通过格式塔理论的视觉感知特性去获得先验背景。其得到的相关连接度可通过(12)计算得到:
其中Fi是超像素块i的360度图像边界连接度,αi代表超像素块i到360度图像上下边界的距离,βi表示超像素块i的大小,λ是一个调节参数,N为归一化函数;由公式(12)可以看出,连接度与像素块到边界的距离和像素块大小有关,并且与距离成比例、与超像素尺寸成反比。
●融合特征对比图和边界连接度图:
结合得到的特征对比图和边界连接度,其中特征对比图由各个特征对比图求平均得到,由公式(11)可以看出;边界连接度与像素块的大小和距离有关。最后可根据公式(13)可将两部分信息进行融合。
其中由公式(11)得到,表示各个特征对比图的均值;F表示360度图像的边界连接度图。
最后,进一步利用多尺度特性以提高显著区域与非显著区域的对比度,最后360度显著图可以通过公式(14)计算得到。
其中k代表输入图像的超像素块数;R代表尺度个数,在本公式中R=4;Sk由公式(13)计算的结果。
表1:不同显著性检测模型的比较。
Models | HSD | SSD | CA | GS | IFRC | MR | SF | SO | The Proposed |
AUC | 0.72 | 0.77 | 0.82 | 0.77 | 0.75 | 0.74 | 0.59 | 0.76 | 0.91 |
CC | 0.38 | 0.42 | 0.47 | 0.40 | 0.43 | 0.39 | 0.18 | 0.38 | 0.73 |
本发明的算法流程框架图如图1所示,具体过程如下。
首先,图像先分割成超像素,然后用CIE Lab颜色空间提取知觉特征,从L通道提取图像的亮度和纹理特征,同时a和b通道提取颜色特征,然后用格式塔理论的视觉感知特性为显著性检测计算两部分信息,这两部分信息分别是:特征对比和边界连接度。特征对比是通过亮度和颜色特征在超像素上计算得出,边界连接度是用来预测背景测量,并且它描述了具有两个图像边界(上下边界)的图像区域的空间布局,最后的360度显著图是融合特征对比图和边界连接度图计算得到。
实验证明提出的360度图像的显著性检测模型优于目前的其他模型。主要通过以下方法来进行评估:ROC(Receiver Operating Characteristics),线性相关系数CC和KL(Kullback-Leiblerdivergence)。ROC曲线广泛的应用于视觉注意力模型性能的检测中,通过定义阈值,视觉注意力模型的显著性图可以被分为显著点和非显著点。TPR(Turepositive rate)真正类表示视觉注意力模型中目标点在为显著点的百分比,而FPR(Falsepositive rate)假正类表示视觉注意力模型中背景点被检测为显著点的百分比。而AUC(Area under curve)是ROC曲线下的面积,能更好的性能进行评估,视觉注意力模型越好,那么它的AUC的值越大;相关系数用来衡量显著性图和位图之间的线性相关程度,相关系数会介于0到1之间,相关系数越大,则视觉注意力模型的性能则越好。KL用于测量这两个分布之间的距离,KL值越大,显著性检测模型的性能越好。
图2为不同显著性检测模型算法比较的实例。从这些比较中,可以发现提出的显著性检测模型和现存的参考标签图像最相近。对于不同显著性检测算法的比较。第一行至倒数第二行分别为:原图、HSD、SSD、CA、GS、IFRC、MR、SF、SO和本文提出的模型得到的显著图,以及最后一行标签图,参考图像。
上述实施方式是对本发明的说明,不是对本发明的限定,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的保护范围由所附权利要求及其等同物限定。
Claims (9)
1.一种对于360度图像的显著性检测方法,其特征在于:首先利用线性迭代聚类SLIC算法将360度图像分割成超像素块,而后将颜色空间转化为Lab颜色空间,用来提取亮度、颜色和纹理感知特征;接着基于格式塔理论,计算显著性检测的两个组成部分,两个组成部分即特征对比度和边界连接度;最后的360度显著性图由特征对比图和边界连接度图融合得到;其中所述特征对比度包含:亮度、纹理、颜色对比度。
2.根据权利要求1所述的一种对于360度图像的显著性检测方法,其特征在于,特征对比度按照式(1)来计算:
其中n∈{L,T,a,b};代表超像素块i与超像素块j之间的特征差异,是通过曼哈顿公式计算得到;N为归一化处理;dij代表像素块i与超像素块j之间的距离,L、a、b表示通道,T代表纹理特征。
3.根据权利要求2所述的一种对于360度图像的显著性检测方法,其特征在于,通过计算两个超像素块的中心距离来衡量两个超像素块的距离,距离按照式(2)来计算:
其中x和y分别代表超像素i和j之间的水平距离和垂直距离,w表示360度图像的宽度。
4.根据权利要求3所述的一种对于360度图像的显著性检测方法,其特征在于,纹理特征图的计算,运用L通道的水平梯度和垂直梯度计算而来;纹理特征图按照(3)式计算而来:
其中Ta和Tb分别代表L通道的水平梯度、垂直梯度。
5.根据权利要求4所述的一种对于360度图像的显著性检测方法,其特征在于,特征对比度,对于超像素块的亮度,纹理和颜色的特征差异是由公式(1)计算得出的,而纹理特征是由公式(3)得出。
6.根据权利要求5所述的一种对于360度图像的显著性检测方法,其特征在于,整体特征对比度图,在得出亮度,纹理和颜色特征对比度图后,可以通过式(4)得出360度图像的整体特征对比度图:
其中M为4,代表特征对比图的数量;N为归一化运算,Cn为特征对比度。
7.根据权利要求6所述的一种对于360度图像的显著性检测方法,其特征在于,对于边界连接度,设计了一个全新可靠的360度边界连接度测量标准,通过格式塔理论的视觉感知特性去获得先验背景,其得到的相关连接度可通过(5)计算得到:
其中Fi是超像素块i的360度图像边界连接度,αi代表超像素块i到360度图像上下边界的距离,βi表示超像素块i的大小,λ是一个调节参数,N为归一化函数;由公式(5)可以得到,连接度与超像素块到边界的距离和像素块大小有关,并且与距离成比例、与超像素尺寸成反比。
8.根据权利要求6或7所述的一种对于360度图像的显著性检测方法,其特征在于,关于特征对比图和边界连接度的融合:特征对比图由各个特征对比图求平均得到,由公式(4)可以得到;边界连接度与像素块的大小和距离有关,最后可根据公式(6)可将两部分信息进行融合:
其中由公式(4)得到,表示各个特征对比图的均值;F表示360度图像的边界连接度图。
9.根据权利要求6或7所述的一种对于360度图像的显著性检测方法,其特征在于,利用图像的多尺度特性以提高显著区域与非显著区域的对比度,最后360度显著图可以通过公式(7)计算得到:
其中k代表输入图像的超像素块数;R代表尺度个数,其中R=4;Sk为公式(6)计算的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811194902.8A CN109447136A (zh) | 2018-10-15 | 2018-10-15 | 一种对于360度图像的显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811194902.8A CN109447136A (zh) | 2018-10-15 | 2018-10-15 | 一种对于360度图像的显著性检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447136A true CN109447136A (zh) | 2019-03-08 |
Family
ID=65546387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811194902.8A Pending CN109447136A (zh) | 2018-10-15 | 2018-10-15 | 一种对于360度图像的显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447136A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020658A (zh) * | 2019-03-28 | 2019-07-16 | 大连理工大学 | 一种基于多任务深度学习的显著目标检测方法 |
CN110059682A (zh) * | 2019-03-26 | 2019-07-26 | 江苏大学 | 一种基于流行排序算法的近色系目标识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799884A (zh) * | 2012-07-13 | 2012-11-28 | 北京工商大学 | 一种基于格式塔规则的图像目标轮廓提取方法 |
US20130028511A1 (en) * | 2010-09-16 | 2013-01-31 | Thomson Licensing | Method and device of determining a saliency map for an image |
CN104346800A (zh) * | 2013-08-02 | 2015-02-11 | 南京理工大学 | 一种基于纹理显著性的微光图像目标检测方法 |
CN104392233A (zh) * | 2014-11-21 | 2015-03-04 | 宁波大学 | 一种基于区域的图像显著图提取方法 |
CN104537355A (zh) * | 2015-01-12 | 2015-04-22 | 中南大学 | 一种利用图像边界信息和区域连通性的显著对象检测方法 |
JP2016006478A (ja) * | 2014-05-27 | 2016-01-14 | 日本電信電話株式会社 | 顕著度画像生成装置、方法、及びプログラム |
CN106780582A (zh) * | 2016-12-16 | 2017-05-31 | 西安电子科技大学 | 基于纹理特征和颜色特征融合的图像显著性检测方法 |
CN106887002A (zh) * | 2017-04-01 | 2017-06-23 | 南京师范大学 | 一种红外图像序列显著性检测方法 |
-
2018
- 2018-10-15 CN CN201811194902.8A patent/CN109447136A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130028511A1 (en) * | 2010-09-16 | 2013-01-31 | Thomson Licensing | Method and device of determining a saliency map for an image |
CN102799884A (zh) * | 2012-07-13 | 2012-11-28 | 北京工商大学 | 一种基于格式塔规则的图像目标轮廓提取方法 |
CN104346800A (zh) * | 2013-08-02 | 2015-02-11 | 南京理工大学 | 一种基于纹理显著性的微光图像目标检测方法 |
JP2016006478A (ja) * | 2014-05-27 | 2016-01-14 | 日本電信電話株式会社 | 顕著度画像生成装置、方法、及びプログラム |
CN104392233A (zh) * | 2014-11-21 | 2015-03-04 | 宁波大学 | 一种基于区域的图像显著图提取方法 |
CN104537355A (zh) * | 2015-01-12 | 2015-04-22 | 中南大学 | 一种利用图像边界信息和区域连通性的显著对象检测方法 |
CN106780582A (zh) * | 2016-12-16 | 2017-05-31 | 西安电子科技大学 | 基于纹理特征和颜色特征融合的图像显著性检测方法 |
CN106887002A (zh) * | 2017-04-01 | 2017-06-23 | 南京师范大学 | 一种红外图像序列显著性检测方法 |
Non-Patent Citations (3)
Title |
---|
YUMING FANG 等: "A novel superpixel-based saliency detection model for 360-degree images", 《SIGNAL PROCESSING: IMAGE COMMUNICATION》 * |
丛润民 等: "视频显著性检测研究进展", 《软件学报》 * |
孟莎莎 等: "基于多重特征信息的图像显著性检测方法", 《计算机应用与软件》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059682A (zh) * | 2019-03-26 | 2019-07-26 | 江苏大学 | 一种基于流行排序算法的近色系目标识别方法 |
CN110020658A (zh) * | 2019-03-28 | 2019-07-16 | 大连理工大学 | 一种基于多任务深度学习的显著目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10198623B2 (en) | Three-dimensional facial recognition method and system | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
EP3101594A1 (en) | Saliency information acquisition device and saliency information acquisition method | |
CN101520894B (zh) | 基于区域显著性的显著对象提取方法 | |
CN103955913B (zh) | 一种基于线段共生矩阵特征和区域图的sar图像分割方法 | |
CN109522908A (zh) | 基于区域标签融合的图像显著性检测方法 | |
CN106462771A (zh) | 一种3d图像的显著性检测方法 | |
CN105957059B (zh) | 电子元件漏件检测方法和系统 | |
CN105893925A (zh) | 基于肤色的人手检测方法及装置 | |
WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
CN101877127A (zh) | 基于梯度剖面的图像无参考质量评价方法及系统 | |
CN103425986A (zh) | 基于边缘邻域加权的乳腺肿块图像特征提取方法 | |
CN102945378A (zh) | 一种基于监督方法的遥感图像潜在目标区域检测方法 | |
CN106156777A (zh) | 文本图片检测方法及装置 | |
Limper et al. | Mesh Saliency Analysis via Local Curvature Entropy. | |
CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN104732551A (zh) | 基于超像素和图割优化的水平集图像分割方法 | |
CN104794440A (zh) | 一种基于多分块多尺度lbp的假指纹检测方法 | |
CN104102928A (zh) | 一种基于纹理基元的遥感图像分类方法 | |
CN102184404A (zh) | 掌纹图像中手掌区域的获取方法及装置 | |
CN110930413A (zh) | 一种基于弱监督多核分类优化合并的图像分割方法 | |
CN109447136A (zh) | 一种对于360度图像的显著性检测方法 | |
CN110135364A (zh) | 一种地物识别方法及装置 | |
CN102968786A (zh) | 一种非监督的遥感图像潜在目标区域检测方法 | |
CN110910497B (zh) | 实现增强现实地图的方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |