CN109598291B - 一种基于pso的rgbd图的协同显著目标检测方法 - Google Patents

一种基于pso的rgbd图的协同显著目标检测方法 Download PDF

Info

Publication number
CN109598291B
CN109598291B CN201811403370.4A CN201811403370A CN109598291B CN 109598291 B CN109598291 B CN 109598291B CN 201811403370 A CN201811403370 A CN 201811403370A CN 109598291 B CN109598291 B CN 109598291B
Authority
CN
China
Prior art keywords
value
map
clustering
pso
particle
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.)
Active
Application number
CN201811403370.4A
Other languages
English (en)
Other versions
CN109598291A (zh
Inventor
刘政怡
谢丰
汪蕊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN201811403370.4A priority Critical patent/CN109598291B/zh
Publication of CN109598291A publication Critical patent/CN109598291A/zh
Application granted granted Critical
Publication of CN109598291B publication Critical patent/CN109598291B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种一种基于PSO的RGBD图的协同显著目标检测方法，该方法包括以下步骤：S1、输入RGB图，深度图和相应的RGBD单幅图的显著图；利用gPb–owt–ucm分割法进行区域分割，得到候选目标区域；S2、利用PSO方法得到每个粒子的最佳聚类中心数目和最优特征；S3、通过初始种群进行聚类得到得到显著图；S4、利用聚类质量选出最优的粒子，更新显著图。本发明利用PSO来提取目标特征从而进行后续的显著检测，利用PSO既可以自动决定该分类的数目又可以同时提取特征，从而进行协同显著检测，先利用PSO得到特征，利用这些特征进行区域分类从而得到最后的多分类结果和协同显著图。本发明通过图像库测试对比证明了其有效性以及在效果上明显的优势。

Description

一种基于PSO的RGBD图的协同显著目标检测方法
技术领域
本发明涉及计算机视觉领域，尤其涉及一种基于PSO的RGBD图的协同显著目标检测方法。
背景技术
近年来计算机视觉中的显著目标检测越来越吸引人们的关注。众多的显著性检测模型都侧重于从单个图像中检测显著目标，并且取得了优异的表现。协同显著检测作为一个新兴的、具有挑战性的问题，建立在显著目标检测的基础上，近年来越来越受到人们的关注。与传统的单一显著性检测模型不同，协同显著检测方法侧重于在多幅图像中发现公共的显著性目标。协同显著检测多用于公共模式识别、图像匹配和协同识别等工作中，它可以看作是相似对象识别和共同分类任务的组合，属于计算机视觉中的基础研究工作。
2015年Yijun Li等人在论文Efficient Saliency-Model-Guide Visual Co-Saliency Detection中提出利用efficient manifold ranking(EMR)方法进行协同显著检测，在给定单副图的显著性图的情况下，提出了一种由查询引导的两级引导的检测方法，通过排序方案获得图像集的显著图。
2016年Hangke Song等人在论文RGBD Co-saliency Detection via Bagging-Based Clustering中提出基于bagging分类的RGBD图的显著检测模型，首先通过RGBD单幅显著图和区域预分割选出候选目标区域，为了让区域分类的效果更好，特征随机采样(bagging)的方法被引入来随机的产生多种分类结果和类级别的协同显著图。最后分类质量指标(CQ)被用来自适应性的合并弱协同显著图来得到最终的协同显著图。
以上现有技术普遍存在其检测有效性以及在效果上不足的缺陷，据此，目前急需一种有效性以及在效果上明显的基于PSO的RGBD图的协同显著目标检测方法。
发明内容
本发明所要解决的技术问题在于提供一种有效性以及在效果上明显的基于PSO的RGBD图的协同显著目标检测方法。
本发明采用以下技术方案解决上述技术问题：
一种基于PSO的RGBD图的协同显著目标检测方法，该方法包括以下步骤：
S1、输入RGB图，深度图和相应的RGBD单幅图的显著图；利用gPb–owt–ucm分割法进行区域分割，得到候选目标区域；
S2、利用PSO方法得到每个粒子的最佳聚类中心数目和最优特征；
S3、通过初始种群进行聚类得到得到显著图；
S4、利用聚类质量选出最优的粒子，更新显著图。
作为本发明的优选方式之一，所述步骤S1具体过程为：产生候选目标区域，给定一组RGBD图片
Figure BDA0001876765210000021
产生初始显著图，然后使用gPb-owt-ucm分割法对原RGB图进行超像素分割，共分成Q个区域；每个区域定义为
Figure BDA0001876765210000022
并且每个区域的显著值为该区域所有像素显著值的平均值；最后，通过设定一个阈值T，那些显著值大于T的超像素被选择出来作为候选目标区域，T在这里设为0.25。
作为本发明的优选方式之一，所述步骤S2具体过程为：对于每一块目标候选区域，我们都提取颜色、深度、几何纹理这些方面的特征来进行聚类。
作为本发明的优选方式之一，所述特征包括：(a)在RGB、HSV、Lab三种颜色空间上各通道的平均颜色值，共9维；(b)分别在颜色图和深度图上的纹理特征，共6维；(c)超像素的平均深度值及深度范围，共2维；(d)关于超像素几何形状的特征共7维。
作为本发明的优选方式之一，所述步骤S3具体为：首先我们要初始化一个含有30个个体的种群，这里的每一个个体就是一种聚类的模式，里面包含了聚类中心的个数以及选择用来聚类的特征这两种信息；我们使用二进制编码，每一位表示一维特征，0表示不选择这维特征聚类，1表示选中该维特征聚类。然后我们根据初始的种群进行聚类；在第n次聚类过程中，对这一次的聚类结果中的每一个类
Figure BDA0001876765210000031
(j表示第j个类)，我们计算其聚类级别的协同显著值(CCS)：
Figure BDA0001876765210000032
其中
Figure BDA0001876765210000033
表示在类
Figure BDA0001876765210000034
中的所有超像素的平均初始显著值，
Figure BDA0001876765210000035
表示在类
Figure BDA0001876765210000036
中所有超像素与聚类中心
Figure BDA0001876765210000037
在特征空间上的欧式距离的平均值，将
Figure BDA0001876765210000038
归一化到[0，1]之间得到
Figure BDA0001876765210000039
Figure BDA0001876765210000041
越低，那么在类
Figure BDA0001876765210000042
中各区域间的相似性就越高，
Figure BDA0001876765210000043
是协同出现率，它表示类
Figure BDA0001876765210000044
所涵盖的图片数。
作为本发明的优选方式之一，在所述步骤S4中利用聚类质量(CQ)选出最优的粒子的具体过程为：CCS表示聚类级别的显著值，将CCS的显著值分配到图片级别得到WCS；在计算完CCS以及WCS之后，找到一个适应度值去评价每个粒子的好坏，因此通过计算CQ值来评价各粒子的好坏；CQ值的定义如下：
Figure BDA0001876765210000045
其中
Figure BDA0001876765210000046
表示聚类划分率，J是CCS最大值所在类的索引下标；J越大，说明前景部分被更好的突出了；
Figure BDA0001876765210000047
表示属于类
Figure BDA0001876765210000048
的区域个数的方差，
Figure BDA0001876765210000049
越小就意味着所有的图片趋向于突出相近个数的显著区域；通过一个自适应阈值，在第n次聚类过程中的每一个WCS图都能被二值化成两个部分(前景和背景)，RNn表示所有二值化图的平均区域数，RNn越小表示在WCS图中显著区域越集中，背景被统一抑制，这说明WCS图的质量就越好；基于(2)公式计算的CQ值如果越大，聚类过程就越好。
作为本发明的优选方式之一，在所述步骤S4中更新显著图的具体方法为：更新粒子的历史最优位置和群体的全局最优位置，比较粒子的位置评价值与它的历史位置最优值，如果优于该粒子的历史最优值，则用目前位置替代该粒子的历史最优位置；比较粒子的目前位置评价值与群体全局最优值，如果目前评价值好于群体全局最优值，则用目前值替换群体全局最优值；然后根据PSO算法来更新粒子的位置和速度，如此反复的迭代，在达到设定的最大迭代次数后，停止迭代，输出此时全局最优解对应的粒子、CCS图、WCS图以及CQ值；此时的WCS图即为最优的聚类过程得到的协同显著图。
作为本发明的优选方式之一，所述最大迭代次数我们根据实验经验设为40-60次。
作为本发明的优选方式之一，所述最大迭代次数最优为50次。
本发明相比现有技术的优点在于：(1)本发明利用PSO来提取目标特征从而进行后续的显著检测，利用PSO既可以自动决定该分类的数目又可以同时提取特征，从而进行协同显著检测，先利用PSO得到特征，利用这些特征进行区域分类从而得到最后的多分类结果和协同显著图。(2)本发明通过图像库测试对比证明了其有效性以及在效果上明显的优势。
附图说明
图1是实施例1中一种基于PSO的RGBD图的协同显著目标检测方法流程图；
图2是实施例1中一种基于PSO的RGBD图的协同显著目标检测方法的算法流程图；
图3是实施例1一种基于PSO进行特征选择的示意图；
图4为实施例1一种基于PSO的RGBD图的协同显著性检测方法与现有方法在数据集上的显著性检测结果PR曲线对比图；
图5为实施例1一种基于PSO的RGBD图的协同显著性检测方法与现有方法在数据集上的显著性检测结果评估指标直方图的对比图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
参见图1-2：本实施例一种基于PSO的RGBD图的协同显著目标检测方法，该方法包括以下步骤：
S1、输入RGB图，深度图和相应的RGBD单幅图的显著图；利用gPb–owt–ucm分割法进行区域分割，得到候选目标区域；所述步骤S1具体过程为：产生候选目标区域，给定一组RGBD图片
Figure BDA0001876765210000061
我们首先基于RGBD单幅图显著的方法产生初始显著图，然后使用gPb-owt-ucm分割法对原RGB图进行超像素分割，共分成Q个区域；每个区域定义为
Figure BDA0001876765210000062
并且每个区域的显著值为该区域所有像素显著值的平均值；最后，通过设定一个阈值T，那些显著值大于T的超像素被选择出来作为候选目标区域，T在这里设为0.25。
S2、利用PSO方法得到每个粒子的最佳聚类中心数目和最优特征；所述步骤S2具体过程为：对于每一块目标候选区域(超像素)，我们都提取颜色、深度、几何纹理这些方面的特征来进行聚类，所述特征包括：(a)在RGB、HSV、Lab三种颜色空间上各通道的平均颜色值，共9维；(b)分别在颜色图和深度图上的纹理特征，共6维；(c)超像素的平均深度值及深度范围，共2维；(d)关于超像素几何形状的特征共7维。上述特征共24维。但图片所在场景不同，每一维特征对聚类显著的影响是不一样的。因此，对于不同的场景，如何选择不同的特征，以及设定合适的聚类中心的个数从而进行聚类就成为了一个至关重要的问题。为了解决这一问题，我们引入了粒子群(PSO)算法，通过对特征以及聚类中心进行编码，通过不断的优化来找到最好的结果。PSO算法是一种模拟鸟群捕食行为的目标优化算法，它能通过个体间的信息传递，引导整个群体向可能解的方向移动，最终找到最优解。
S3、通过初始种群进行聚类得到得到显著图；所述步骤S3具体为：首先我们要初始化一个含有30个个体的种群，这里的每一个个体就是一种聚类的模式，里面包含了聚类中心的个数以及选择用来聚类的特征这两种信息；我们使用二进制编码，前六位表示聚类中心的个数，例如011001就表示十进制的25，但如果聚类个数太少，例如聚类成0类或1类是没有意义的，因此，我们将转换后的十进制数加2作为最终的聚类个数。例如011001就表示27，000000就表示2。后面的24位表示所选择的特征维度，每一位表示一维特征，0表示不选择这维特征聚类，1表示选中该维特征聚类；通过这样的编码方式，我们在整个PSO优化的过程中既可以找到最优的特征，又能找到最佳聚类中心个数；然后我们根据初始的种群进行聚类；在第n次聚类过程中，对这一次的聚类结果中的每一个类
Figure BDA0001876765210000071
(j表示第j个类)，我们计算其聚类级别的协同显著值(CCS)：
Figure BDA0001876765210000081
其中
Figure BDA0001876765210000082
表示在类
Figure BDA0001876765210000083
中的所有超像素的平均初始显著值，
Figure BDA0001876765210000084
表示在类
Figure BDA0001876765210000085
中所有超像素与聚类中心
Figure BDA0001876765210000086
在特征空间上的欧式距离的平均值，将
Figure BDA0001876765210000087
归一化到[0，1]之间得到
Figure BDA0001876765210000088
Figure BDA0001876765210000089
越低，那么在类
Figure BDA00018767652100000817
中各区域间的相似性就越高，
Figure BDA00018767652100000810
是协同出现率，它表示类
Figure BDA00018767652100000811
所涵盖的图片数；通过(1)式，那些显著区域所在的类，如果类间的相似性更高以及协同出现的次数更大，那么就会给该类分配一个更高的协同显著值。
S4、利用聚类质量(CQ)选出最优的粒子，更新显著图；在所述步骤S4中利用聚类质量(CQ)选出最优的粒子的具体过程为：CCS表示聚类级别的显著值，将CCS的显著值分配到图片级别得到WCS；在计算完CCS以及WCS之后，找到一个适应度值去评价每个粒子的好坏，因此通过计算CQ值来评价各粒子的好坏；CQ值的定义如下：
Figure BDA00018767652100000812
其中
Figure BDA00018767652100000813
表示聚类划分率，J是CCS最大值所在类的索引下标；J越大，说明前景部分被更好的突出了；
Figure BDA00018767652100000814
表示属于类
Figure BDA00018767652100000815
的区域个数的方差，
Figure BDA00018767652100000816
越小就意味着所有的图片趋向于突出相近个数的显著区域；通过一个自适应阈值，在第n次聚类过程中的每一个WCS图都能被二值化成两个部分(前景和背景)，RNn表示所有二值化图的平均区域数，RNn越小表示在WCS图中显著区域越集中，背景被统一抑制，这说明WCS图的质量就越好；基于(2)公式计算的CQ值如果越大，聚类过程就越好，因此CQ值可以作为PSO优化过程中的适应度值，对每个粒子都可以用CQ值对其进行评价，在所述步骤S4中更新显著图的具体方法为：更新粒子的历史最优位置和群体的全局最优位置，比较粒子的位置评价值与它的历史位置最优值，如果优于该粒子的历史最优值，则用目前位置替代该粒子的历史最优位置；比较粒子的目前位置评价值与群体全局最优值，如果目前评价值好于群体全局最优值，则用目前值替换群体全局最优值；然后根据PSO算法来更新粒子的位置和速度，如此反复的迭代，在达到设定的最大迭代次数后，停止迭代，输出此时全局最优解对应的粒子、CCS图、WCS图以及CQ值；此时的WCS图即为最优的聚类过程得到的协同显著图。
实施例2
本实施例的一种基于PSO的RGBD图的协同显著目标检测方法，其方法与实施例1基本相同，主要不同之处在于：所述最大迭代次数我们根据实验经验设为40-60次，最优的最大迭代次数为50次。
实验检测：通过在公共数据集上与其他方法进行协同显著性检测，检测结果PR曲线比较如图4所示，评估指标直方图比较如图5所示，可以看出我们的方法取得很好的检测效果，充分说明本方法的有效性和普适性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于PSO的RGBD图的协同显著目标检测方法，其特征在于，该方法包括以下步骤：
S1、输入RGB图，深度图和相应的RGBD单幅图的显著图；利用gPb–owt–ucm分割法进行区域分割，得到候选目标区域；
S2、特征提取；对于每一块候选目标区域，提取颜色、深度、几何纹理的特征；所述特征包括：(a)在RGB、HSV、Lab三种颜色空间上各通道的平均颜色值，共9维；(b)分别在颜色图和深度图上的纹理特征，共6维；(c)超像素的平均深度值及深度范围，共2维；(d)关于超像素几何形状的特征共7维，上述特征共24维；
S3、通过初始种群得到初始显著图:初始化一个含有30个个体的种群，每一个个体为一种聚类方式，包含了聚类中心的个数以及选择用来聚类的特征两种信息，使用二进制编码，前六位表示聚类中心的个数，后面的24位表示所选择的特征维度，每一位表示一维特征，0表示不选择这维特征聚类，1表示选中该维特征聚类；根据初始种群中个体的聚类方式对所述的候选目标区域进行聚类操作；在第n个个体所述的聚类过程中，第n个个体的聚类结果中的每一个类定义为
Figure FDA0003098831770000011
(j表示第j个类)，计算其聚类级别的协同显著值(CCS)：
Figure FDA0003098831770000012
其中
Figure FDA0003098831770000013
表示在类
Figure FDA0003098831770000014
中的所有超像素的平均初始显著值，
Figure FDA0003098831770000015
表示在类
Figure FDA0003098831770000016
中所有超像素与聚类中心
Figure FDA0003098831770000017
在特征空间上的欧式距离的平均值，将
Figure FDA0003098831770000021
归一化到[0，1]之间得到
Figure FDA0003098831770000022
Figure FDA0003098831770000023
越低，那么在类
Figure FDA0003098831770000024
中各区域间的相似性就越高，
Figure FDA0003098831770000025
是协同出现率，它表示类
Figure FDA0003098831770000026
所涵盖的图片数；CCS表示聚类级别的显著值，将CCS的显著值分配到图片级别得到WCS；得到30个个体对应的WCS后利用聚类质量选择最佳的WCS作为初始显著图；
S4、利用聚类质量选出最优的粒子，更新显著图。
2.根据权利要求1所述的基于PSO的RGBD图的协同显著目标检测方法，其特征在于，所述步骤S1具体过程为：产生候选目标区域，给定一组RGBD图片
Figure FDA0003098831770000027
产生初始显著图，然后使用gPb-owt-ucm分割法对原RGB图进行超像素分割，共分成Q个区域；每个区域定义为
Figure FDA0003098831770000028
并且每个区域的显著值为该区域所有像素显著值的平均值；最后，通过设定一个阈值T，显著值大于T的超像素被选择出来作为候选目标区域，T设为0.25。
3.根据权利要求1所述的基于PSO的RGBD图的协同显著目标检测方法，其特征在于，在所述步骤S4中利用聚类质量(CQ)选出最优的个体的具体过程为：CCS表示聚类级别的显著值，将CCS的显著值分配到图片级别得到WCS；在计算完CCS以及WCS之后，找到一个适应度值去评价每个粒子的好坏，因此通过计算CQ值来评价各粒子的好坏；CQ值的定义如下：
Figure FDA0003098831770000029
其中
Figure FDA00030988317700000210
表示聚类划分率，J是CCS最大值所在类的索引下标；J越大，说明前景部分被更好的突出了；
Figure FDA0003098831770000031
表示属于类
Figure FDA0003098831770000032
的区域个数的方差，
Figure FDA0003098831770000033
越小就意味着所有的图片趋向于突出相近个数的显著区域；通过一个自适应阈值，在第n个个体聚类过程中的每一个WCS图都能被二值化成两个部分(前景和背景)，RNn表示所有二值化图的平均区域数，RNn越小表示在WCS图中显著区域越集中，背景被统一抑制，这说明WCS图的质量就越好；基于公式（ 2 ） 计算的CQ值如果越大，聚类过程就越好。
4.根据权利要求3所述的基于PSO的RGBD图的协同显著目标检测方法，其特征在于，在所述步骤S4中更新显著图的具体方法为：更新粒子的历史最优位置和群体的全局最优位置，比较粒子的位置评价值与它的历史位置最优值，如果优于该粒子的历史最优值，则用目前位置替代该粒子的历史最优位置；比较粒子的目前位置评价值与群体全局最优值，如果目前评价值好于群体全局最优值，则用目前值替换群体全局最优值；然后根据PSO算法来更新粒子的位置和速度，如此反复的迭代，在达到设定的最大迭代次数后，停止迭代，输出此时全局最优解对应的粒子、CCS图、WCS图以及CQ值；此时的WCS图即为最优的聚类过程得到的协同显著图。
5.根据权利要求4所述的基于PSO的RGBD图的协同显著目标检测方法，其特征在于，所述最大迭代次数我们根据实验经验设为40-60次。
6.根据权利要求5所述的基于PSO的RGBD图的协同显著目标检测方法，其特征在于，所述最大迭代次数最优为50次。
CN201811403370.4A 2018-11-23 2018-11-23 一种基于pso的rgbd图的协同显著目标检测方法 Active CN109598291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811403370.4A CN109598291B (zh) 2018-11-23 2018-11-23 一种基于pso的rgbd图的协同显著目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811403370.4A CN109598291B (zh) 2018-11-23 2018-11-23 一种基于pso的rgbd图的协同显著目标检测方法

Publications (2)

Publication Number Publication Date
CN109598291A CN109598291A (zh) 2019-04-09
CN109598291B true CN109598291B (zh) 2021-07-23

Family

ID=65959532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811403370.4A Active CN109598291B (zh) 2018-11-23 2018-11-23 一种基于pso的rgbd图的协同显著目标检测方法

Country Status (1)

Country Link
CN (1) CN109598291B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8131656B2 (en) * 2006-01-31 2012-03-06 The Board Of Trustees Of The University Of Illinois Adaptive optimization methods
CN102663100A (zh) * 2012-04-13 2012-09-12 西安电子科技大学 一种两阶段混合粒子群优化聚类方法
CN104392466A (zh) * 2014-11-13 2015-03-04 南京航空航天大学 一种基于视觉显著原始目标的检测跟踪方法
CN106951870A (zh) * 2017-02-15 2017-07-14 重庆警察学院 主动视觉注意的监控视频显著事件智能检测预警方法
CN107067035A (zh) * 2017-04-17 2017-08-18 哈尔滨师范大学 协同演化算法优化的支持向量机湿地遥感分类方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101847263B (zh) * 2010-06-04 2012-02-08 西安电子科技大学 基于多目标免疫聚类集成的无监督图像分割方法
CN104834933B (zh) * 2014-02-10 2019-02-12 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
CN106611411B (zh) * 2015-10-19 2020-06-26 上海联影医疗科技有限公司 一种医学图像中肋骨分割的方法及医学图像处理装置
CN107909079B (zh) * 2017-10-11 2021-06-04 天津大学 一种协同显著性检测方法
CN108573221A (zh) * 2018-03-28 2018-09-25 重庆邮电大学 一种基于视觉的机器人目标零件显著性检测方法
CN108629286B (zh) * 2018-04-03 2021-09-28 北京航空航天大学 一种基于主观感知显著模型的遥感机场目标检测方法
CN108665443B (zh) * 2018-04-11 2021-02-05 中国石油大学(北京) 一种机械设备故障的红外图像敏感区域提取方法及装置
CN108765465B (zh) * 2018-05-31 2020-07-10 西安电子科技大学 一种无监督sar图像变化检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8131656B2 (en) * 2006-01-31 2012-03-06 The Board Of Trustees Of The University Of Illinois Adaptive optimization methods
CN102663100A (zh) * 2012-04-13 2012-09-12 西安电子科技大学 一种两阶段混合粒子群优化聚类方法
CN104392466A (zh) * 2014-11-13 2015-03-04 南京航空航天大学 一种基于视觉显著原始目标的检测跟踪方法
CN106951870A (zh) * 2017-02-15 2017-07-14 重庆警察学院 主动视觉注意的监控视频显著事件智能检测预警方法
CN107067035A (zh) * 2017-04-17 2017-08-18 哈尔滨师范大学 协同演化算法优化的支持向量机湿地遥感分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Supervised Feature Weighting Method for Salient Object Detection using Particle Swarm Optimization;Shima Afzali 等;《2017 IEEE Symposium Series on Computational Intelligence (SSCI)》;20180205;全文 *
基于聚类和二进制 PSO的特征选择;张家柏 等;《计算机技术与发展》;20100630;全文 *

Also Published As

Publication number Publication date
CN109598291A (zh) 2019-04-09

Similar Documents

Publication Publication Date Title
Chuang et al. A feature learning and object recognition framework for underwater fish images
Endres et al. Category-independent object proposals with diverse ranking
CN110866896B (zh) 基于k-means与水平集超像素分割的图像显著性目标检测方法
Qin et al. Moving cast shadow removal based on local descriptors
CN108629783B (zh) 基于图像特征密度峰值搜索的图像分割方法、系统及介质
Varnousfaderani et al. Weighted color and texture sample selection for image matting
CN104346620A (zh) 对输入图像中的像素分类的方法和装置及图像处理系统
CN105574063A (zh) 基于视觉显著性的图像检索方法
Hu et al. Markov random fields for sketch based video retrieval
CN114492619B (zh) 一种基于统计和凹凸性的点云数据集构建方法及装置
Zhang et al. Automatic discrimination of text and non-text natural images
Bai et al. A seed-based segmentation method for scene text extraction
CN103942778A (zh) 一种主成分特征曲线分析的快速视频关键帧提取方法
Shi et al. Adaptive graph cut based binarization of video text images
Vora et al. Iterative spectral clustering for unsupervised object localization
Xie et al. Learning to find good correspondences of multiple objects
CN104504715A (zh) 基于局部四元数矩特征的图像分割方法
CN114359632A (zh) 一种基于改进PointNet++神经网络的点云目标分类方法
Wang et al. MRF based text binarization in complex images using stroke feature
CN116912184B (zh) 一种基于篡改区域分离和区域约束损失的弱监督深度修复图像篡改定位方法及系统
CN109460763B (zh) 一种基于多层次文本组件定位与生长的文本区域提取方法
CN109598291B (zh) 一种基于pso的rgbd图的协同显著目标检测方法
CN106203447B (zh) 一种基于像素遗传的前景目标提取方法
CN111414952B (zh) 行人重识别的噪声样本识别方法、装置、设备和存储介质
Prabu et al. A Study on image segmentation method for image processing

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Liu Zhengyi

Inventor after: Xie Feng

Inventor after: Wang Rui

Inventor before: Wang Rui

Inventor before: Liu Zhengyi

Inventor before: Xie Feng

GR01 Patent grant
GR01 Patent grant