CN113989263A - 一种基于超像素分割的图像区域显著性检测方法 - Google Patents
一种基于超像素分割的图像区域显著性检测方法 Download PDFInfo
- Publication number
- CN113989263A CN113989263A CN202111323973.5A CN202111323973A CN113989263A CN 113989263 A CN113989263 A CN 113989263A CN 202111323973 A CN202111323973 A CN 202111323973A CN 113989263 A CN113989263 A CN 113989263A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- color
- regions
- super
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 101000859864 Rattus norvegicus Gamma-crystallin E Proteins 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 238000003709 image segmentation Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于超像素技术的图像区域显著性检测方法,属于图像处理和内容分析的技术领域。解决了图像区域检测要求全像素参与、检测复杂度高、检测准确性欠佳的问题。利用超像素分割技术对图像内容进行分解,分组聚类特征相似像素为紧凑区域,基于区域的颜色、位置、像素分布等区域特征并结合网络理论进行图像区域显著性检测,建立基于对比度、空间分布和网络特征的图像区域显著性映射关系。本发明考虑了局部区域和全局区域的统一,从分割的区域中找到特定的颜色描述,再结合特殊算法依据图像网络、空间分布等构建区域显著性映射关系,在图像处理、机器视觉等领域具有很好的应用潜力和价值。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种基于超像素分割的图像区域显著性检测方法。
背景技术
人类的视觉系统能够快速检测、识别视场内图像内容的较重要部分,并将之与图像的其余部分进行有针对性的分析处理。视觉的这种对图像内容的特殊处理机制实际上是一个多学科的科学问题,它涉及到了颜色、视觉、图像、人工智能等诸多领域,目前被国内外学者们广泛关注。人类视觉系统的这种具有显著性检测特征的机制能够帮助人们从图像中快速的筛选出其感兴趣的内容,这对于人们的日常生活以及工作等是至关重要的。如何让计算机也具有上述功能,也就是说图像区域的显著性检测,是目标检测、图像检索、人工智能等相关领域的重要课题。
研究表明,视觉系统对其视场内景物的对比度是很敏感,对图像内容的处理通常利用图像的颜色、方向、直方图等特征开展的。目前,基于视觉系统的图像区域显著性检测的应用主要有两类:自上而下的处理和自下而上的处理;自上而下的方法的特点是目标驱动的、缓慢的和依赖于具体任务的,它需要使用预先指定的信息来分析和处理显著性检测信息,这种方法是基于内存的,需要使用较多的内存来处理分析数据;自下而上的方法则是数据驱动的、快速的和预先注意的,这种情况不再需要预先指定的信息,它是利用图像的颜色、边缘、纹理、亮度等特征来检测图像的显著性的,更多的是利用图像的颜色、亮度和旋转特性进行显著性的检测的。
自下而上的方法又可以分为两类:局部方法和全局方法;局部方法只考虑邻近的像素或区域来寻找显著性,可以使用差分、高斯旋转处理操作改善检测的性能,或通过增加图表的方法来突出对特定区域的关注。目前常规的图像显著性检测的算法,通常会使图像变模糊,并且显著区域的边缘在视觉上比内部区域更加突出;而全局方法则是通过比较图像的所有像素/区域进行图像对比度的计算的,它对图像进行处理后所取得的效果虽然通常比较理想,然而这种处理却是针对图像所有像素的,具有高时间和复杂度的。随着图像分割技术的发展,目前出现了比较多的图像分割的技术和方法,相应的也就出现了基于像素的,或基于区域的图像显著性检测的问题,并且随着技术的发展后者的优势更加明显。基于区域的检测方法,能够更好的抽取图像的本质特征,更好的管理图像的高维信息。
目前,彩色图像的显著性检测,通常利用图像的颜色、方向、纹理、亮度和位置信息进行,算法处理后的图像存在模糊、处理运算量大、检测结果与人眼实际不一致的问题。针对目前的自下而上的图像区域检测要求基于图像全像素特征,并具有较高的时间和复杂度以及检测的准确性不理想的问题,本发明充分利用网络理论,基于识别分割区域间的群落特征、依据群落的相似性进行区域连接,利用所建立的网络检测突出的图像区域,从而提出了一种基于超像素分割的图像区域显著性检测的方法。本发明的显著性检测是考虑了局部区域和全局区域的统一,突出了人类视觉所注意的前景区域,抑制了背景信息,在图像处理、机器视觉、目标检测以及人工智能等领域具有很好的应用前景和价值。
发明内容
本发明的目的是利用网络理论、基于图像区域的群落特征、依据群落的相似性进行区域连接,建立具有网络连接特征突出的图像区域,进行基于超像素分割的图像区域显著性检测,解决目前自下而上的图像区域检测技术要求图像全像素特征、区域检测的时间和复杂度高以及检测准确性不理想的问题。本发明提供了一种先对图像做超像素分割预处理,然后从分割的区域中找到特定颜色描述符,再结合特定图像算法所找到的图像优选网络描述、空间分布描述等信息建立显著性映射关系的图像区域显著性检测方法。
为了实现上述目的,本发明提供了一种技术方案,一种基于超像素分割的图像区域显著性检测方法,其特征在于,包括如下步骤:
步骤1:输入一幅彩色图像,对图像进行超像素分割处理;所述的超像素分割处理是对图像像素执行了基于颜色相似、空间接近的聚类处理;所述的聚类处理利用了图像像素的labxy五维信息,lab是像素的CIELAB颜色值,xy是像素的位置坐标;
步骤2:利用图像的颜色信息对步骤1所获得的超像素分割区域执行区域显著性度量值的计算,从而从所分割的区域中找到具有显著特征的区域;所述的区域显著性度量值的计算,采用的计算方法为:
其中,表示区域i和j之间的颜色直方图相似性,其越接近0则两区域的颜色相似性越高,和为图像区域的归一化颜色直方图;表示区域i与j之间的颜色相似度;ci和cj保持区域i和j的平均颜色信息;为相邻区域贡献和效应的高斯空间权值;Pi和Pj表示相应区域的平均位置;wj为区域j的总像素;P为[0,1]之间的值;为区域i的显著性值;
步骤3:对于步骤1处理后所获得的图像超像素区域,利用图像超像素分割的网格特性获得图像内物体的整体目标的显著性值;所述的显著性值的计算方法为:
步骤4:从超像素区域中提取聚类,利用分割、合并思路将过度分割的区域进行统一聚类处理,得到区域的统一聚类显著性值;所述的统一聚类显著性值的计算为:
步骤5:将图像像素的颜色数据转换为CIELAB颜色空间的图像数据,计算步骤1所获得的图像区域空间布度量值;所述的图像区域空间分布度量值的计算所采用的方法为:
步骤6:计算最终的图像区域显著性度量值Sali,采用的计算方法为:
α、β和γ为图像区域的显著性度量优化参数。
步骤1所述的超像素分割采用的是SLIC(线性迭代聚类)分割方法。
步骤3所述的tc=0.08,tp=0.2。
步骤6所述的α=0.5,β=0.5,γ=2。
相对于现有技术,本发明所述的一种基于超像素分割的图像区域显著性检测方法,还具有以下优势:
本发明所述的方法不需要预先指定的信息,也不需要从训练数据或学习步骤开始;采用超像素图像分割方法,减少了图像分割的执行时间,所提出的方法也可以处理高分辨率的图像数据;与图像的其他部分相比(即背景物体),突出的物体通常出现在较小的区域,突出区域比图像中空间分布在整个图像上的其余部分更紧凑;充分使用了颜色、位置和直方图生成区域的对比度信息;充分加入了复杂的网络结构和分析;所采用的方法不同于传统的基于图形的图像分割方法;所述的方法的输出结果是显著性图,具有较高的分辨率,突出效果更加合理。
本发明所述的基于超像素分割的图像区域显著性检测所检测出的突出对象,具有显著性的特征;所检测的突出对象与周围背景有较高的对比度,特别能够引起视觉系统的关注;所检测对象的对比度在检测过程中主要利用了对象较近的区域像素特征而不是较远的区域特征;所检测出的突出对象通常位于图像的中心附近,这与人眼的视觉注意力优先集中在图像中心的机制一致。此外与图像内的背景相比,所检测出的突出对象通常出现在较小的区域,也就是说与图像中的剩余部分相比,突出的区域更紧凑,突出的对象呈现出了均匀的颜色分布特征。本发明的图像区域显著性检测,呈现出了一些特殊的特征;含有突出对象的区域与背景区域相比,其具有更高的对比度,更加突出、与众不同;图像区域的显著性检测侧的规律为从图像中心搜索和聚焦对象,这与人眼的视觉检测注意的搜索机制一致;图像的显著性区域通常靠近图像中心,背景区域在图像中的分布较广、区域面积大,前景(突出)区域的空间分布更加集中、紧凑,前景区域对图像整体亮度的贡献大于背景区域。本发明所述的基于超像素分割的图像区域显著性检测在目标检测、图像检索、人工智能等领域具有很好的应用潜力和价值。
附图说明
图1为本发明所述的基于超像素分割的图像区域显著性检测方法的检测流程图。
图2为本发明的实例一的输入图像。
图3为本发明的实例一的超像素分割处理后的图像。
图4为本发明的实例一的图像显著性检测图像。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步描述。以下实施例仅用于说明本发明,但不用来限制本发明的范围。
下面将参考附图并结合实施例来详细说明本发明。
图1为本发明所述的基于超像素分割的图像区域显著性检测方法的检测流程图;再结合本发明提供的技术方案,一种基于超像素分割的图像区域显著性检测方法,就能够对数字图像的区域显著性进行检测,解决相关的图像应用问题。本发明提供的下列实施例就是依据图1的流程图以及本发明提供的技术方案来实现的,具体实施例如下:
实施例一
参见附图1以及本发明提供的技术方案。
本实施例利用c++编程语言和运行在Window8.1上的VS 2013中的OpenCV库来实现图像区域的显著性检测,系统的处理器为Intel Core i7 2.3 GHZ处理器、8GB内存。
步骤1:输入一幅待检测显著性区域的彩色图像,见图2,然后对图像进行超像素分割处理,获得图像II。超像素处理时,为降低图像处理的运算复杂度,选用SLIC(线性迭代聚类)算法进行聚类,选择超像素区块数量500作为SLIC的参数。通过对相邻像素的颜色相似度和空间相似性进行聚类,使超像素区域紧凑、规则。处理时,使用了Labxy五维空间,利用CIELAB颜色空间表示图像像素的颜色值,xy表示像素位置的坐标。经过上述超像素处理后所获得的图像被划分出了有规则、像素紧密分布的图像,如图2所示。
步骤2:对图像II执行区域显著性度量值的计算,获得图像的区域显著性度量值。从分割的区域中利用颜色信息找到图像显著的区域。为了突出显著性区域,在区域中寻找一些颜色特征的描述符,如唯一性、稀缺性和奇点。图像处理过程中,使用不同的度量标准来度量区域之间的距离和相似性,本发明利用Bhattacharyya距离进行区域的处理:
其中,表示区域i和j之间的颜色直方图相似性,和为该区域的归一化直方图,u表示其u-th bin元素;此外,选择CIELAB颜色空间进行步骤2的相关处理,该颜色空间的每个通道(L,a,b)量化为16个等级,每个区域共包含16×16×16=4096个数据块。接近0则区域i和j之间的颜色相似度较高,反之则两个区域不同。
对于图像的CIElAB数据,执行下列操作:
其中,表示区域i与j之间的颜色相似度;ci和cj保持区域i和j的平均颜色信息;是一个增加相邻区域贡献和效应的高斯空间权值;Pi和Pj表示比较区域的平均位置;wj为区域j的总像素数;||·||表示欧氏距离的L2范数;wj值越大,区域间的对比度差越大,有助于区分不同的区域;P值归一化到范围[0,1];为区域i的显著性值。
步骤3:对图像II执行整体目标显著性值得计算,获得图像区域邻接关系。利用图像超像素分割的网格特性获得图像内物体的整体目标的显著性值;利用复杂的网络描述子表示整体目标相同的显著值,使用超像素分割生成的图簇之间的权重函数可用于测量区域之间的色差。所使用的显著性值的计算为:
其中,为颜色,为区域间的位置差,tc为颜色阀值,tp为位置阀值;为区域之间的邻接关系;||·||表示欧氏距离的L2-范数;tc=0.08和tp=0.2;颜色和位置值按区间[0,1]标准化。由于超像素分割的原因,突出区部分区域可能不清晰,并且可能有不同的亮度,会导致过度分割,然而同一物体的区域应该有相同的亮度和显著性值。该步骤利用复杂的网络描述符来表示整体目标的显著性值,利用阈值tc和tp可以使不具有相同颜色相似性或颜色分布相似但彼此距离较大的邻域突出,消除区域间的一些不必要链接,得到更稳健的区域关系。
步骤5:利用图像II计算图像区域的空间分布度量。利用空间分布描述符从整体图像中分离出背景区域和显著区域,基于空间关系从整个图像的颜色空间分布出发,突出物体的颜色特征,分割区域更紧凑、颜色的空间方差也低。所涉及的图像区域空间分布度量值的计算所采用的方法为:
其中,为区域i与j之间的颜色相似度;Pj为区域j的空间平均值;μi为颜色区域i的权重位置,该区域i采用与其他区域的颜色相似度比较及其位置;ci、cj表示i、j区域的平均颜色信息;为颜色的平均空间权重;NC为归一化项;||·||表示欧氏距离的L2范数;为图像区域的空间分布度量值。
步骤6:计算最终的图像区域显著性度量值。对上述显著性检测度量指标进行融合处理,在融合中颜色和复杂网络描述符以线性方式组合,结果和空间分布描述符以非线性的方式结合。在线性部分,实现了更加紧凑和相似的亮度突出区域,抑制和去除了背景区域对显著区域的影响。所涉及到的融合处理的方法为:
α、β和γ为图像区域的显著性度量优化参数,相关参数的值为α=0.5、β=0.5和γ=2。经过本发明的上述处理,所得到的与输入图像相对应的图像区域显著性检测图像如图3所示;可见,本发明的图像区域显著性检测的效果和人眼视觉感知效果是一致的。本发明提出了一种有效的显著区域检测方法;首先采用超像素分割的方法对图像进行分解,将相似的像素进行分组,生成紧凑的区域;在生成超像素的基础上,利用各区域的颜色、位置、直方图、强度和区域信息,在超分割图像中利用复杂网络理论进行社区识别,计算各区域之间的相似性;然后利用这些特征生成基于对比、分布和复杂网络的显著性图;这些显著性映射用于创建最终的显著性映射。
以上实施仅表达了本发明的实施方式,其描述较为具体和详细,但不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都是属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于超像素分割的图像区域显著性检测方法,其特征在于,包括如下步骤:
步骤1:输入一幅彩色图像,对图像进行超像素分割处理;所述的超像素分割处理是对图像像素执行了基于颜色相似、空间接近的聚类处理;所述的聚类处理利用了图像像素的labxy五维信息,lab是像素的CIELAB颜色值,xy是像素的位置坐标;
步骤2:利用图像的颜色信息对步骤1所获得的超像素分割区域执行区域显著性度量值的计算,从而从所分割的区域中找到具有显著特征的区域;所述的区域显著性度量值的计算,采用的计算方法为:
其中,表示区域i和j之间的颜色直方图相似性,其越接近0则两区域的颜色相似性越高,和为图像区域的归一化颜色直方图;表示区域i与j之间的颜色相似度;ci和cj保持区域i和j的平均颜色信息;为相邻区域贡献和效应的高斯空间权值;Pi和Pj表示相应区域的平均位置;wj为区域j的总像素;P为[0,1]之间的值;为区域i的显著性值;
步骤3:对于步骤1处理后所获得的图像超像素区域,利用图像超像素分割的网格特性获得图像内物体的整体目标的显著性值;所述的显著性值的计算方法为:
步骤5:将图像像素的颜色数据转换为CIELAB颜色空间的图像数据,计算步骤1所获得的图像区域空间布度量值;所述的图像区域空间分布度量值的计算所采用的方法为:
步骤6:计算最终的图像区域显著性度量值Sali,采用的计算方法为:
α、β和γ为图像区域的显著性度量优化参数。
2.根据权利要求1所述的一种基于超像素分割的图像区域显著性检测方法,其特征在于,步骤1所述的超像素分割采用的是SLIC(线性迭代聚类)分割方法。
3.根据权利要求1所述的一种基于超像素分割的图像区域显著性检测方法,其特征在于,所述的步骤3的tc=0.08,tp=0.2。
4.根据权利要求1所述的一种基于超像素分割的图像区域显著性检测方法,其特征在于,所述的步骤6的α=0.5,β=0.5,γ=2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111323973.5A CN113989263A (zh) | 2021-11-10 | 2021-11-10 | 一种基于超像素分割的图像区域显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111323973.5A CN113989263A (zh) | 2021-11-10 | 2021-11-10 | 一种基于超像素分割的图像区域显著性检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989263A true CN113989263A (zh) | 2022-01-28 |
Family
ID=79747543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111323973.5A Pending CN113989263A (zh) | 2021-11-10 | 2021-11-10 | 一种基于超像素分割的图像区域显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989263A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998310A (zh) * | 2022-07-11 | 2022-09-02 | 道格特半导体科技(江苏)有限公司 | 基于图像处理的显著性检测方法及系统 |
-
2021
- 2021-11-10 CN CN202111323973.5A patent/CN113989263A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998310A (zh) * | 2022-07-11 | 2022-09-02 | 道格特半导体科技(江苏)有限公司 | 基于图像处理的显著性检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Unsupervised image saliency detection with Gestalt-laws guided optimization and visual attention based refinement | |
Xie et al. | Visual saliency detection based on Bayesian model | |
Xu et al. | Exploring image enhancement for salient object detection in low light images | |
TWI777092B (zh) | 一種圖像處理方法、電子設備及存儲介質 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN107452010A (zh) | 一种自动抠图算法和装置 | |
Wang et al. | Background-driven salient object detection | |
CN109934224B (zh) | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 | |
CN107123130B (zh) | 一种基于超像素和混合哈希的核相关滤波目标跟踪方法 | |
CN113609896A (zh) | 基于对偶相关注意力的对象级遥感变化检测方法及系统 | |
Liu et al. | Salient region detection via simple local and global contrast representation | |
CN111210447B (zh) | 一种苏木精-伊红染色病理图像层次分割的方法及终端 | |
Chen et al. | Robust detection of dehazed images via dual-stream CNNs with adaptive feature fusion | |
CN113989263A (zh) | 一种基于超像素分割的图像区域显著性检测方法 | |
CN110910497B (zh) | 实现增强现实地图的方法和系统 | |
Zhang et al. | An Improved Computational Approach for Salient Region Detection. | |
Kezia et al. | A color-texture based segmentation method to extract object from background | |
Akther et al. | Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm | |
Wu et al. | RGB-D salient object detection via feature fusion and multi-scale enhancement | |
Wang et al. | Self-supervised learning for high-resolution remote sensing images change detection with variational information bottleneck | |
Kang et al. | Automatic image segmentation using saliency detection and superpixel graph cuts | |
Feng et al. | The Application of Sparse Reconstruction Algorithm for Improving Background Dictionary in Visual Saliency Detection. | |
Kan et al. | Semi-supervised extreme learning machinebased method for moving cast shadow detection | |
Liu et al. | Multi-face detection based on improved gaussian distribution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |