為提高顯著性檢測模型生成顯著圖時的準確率和對比度,提出一種基于邊界和中心關系的顯著性檢測方法。對圖像進行引導濾波平滑處理并利用SLIC實現(xiàn)超像素分割,根據(jù)中心點和邊界點的關系計算超像素塊的顯著度,通過伽馬變換背景抑制得到顯著圖1。利用邊界點和中心點的關系得到種子點,改進流行排序算法,通過伽馬變換背景抑制得到顯著圖2。將2幅顯著圖在像素級上進行融合,以得到最終顯著圖。實驗結果表明,相對COV、DSR和GR等方法,該方法的F-Measure、E-Measure及MAE指標值更優(yōu),且能夠提升背景抑制效果。 

【文章來源】：計算機工程. 2020,46(06)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

基于邊界和中心關系的顯著性檢測方法框架

其中,真值圖像p是即將被引導濾波的原圖像,εa k 2 是懲罰項。從圖2可以看出,經(jīng)過引導濾波后的圖像梯度比原圖像小,但是邊緣信息可以被很好地保留,達到平滑處理和去噪的效果。1.3 超像素分割

背景區(qū)域具有連續(xù)性,前景區(qū)域與背景區(qū)域有明顯的對比度,并且前景區(qū)域邊界閉合。如圖3所示,條形區(qū)域a背景連續(xù),中間部分與兩端邊界區(qū)域相似度高、對比度低,且具有連續(xù)性;條形區(qū)域b的中間部分與兩端邊界區(qū)域相似度低、對比度高,且中心區(qū)域邊緣閉合,可以理解為中心區(qū)域的顯著目標隔斷了背景區(qū)域的連續(xù)性。對超像素分割后的圖片進行無向圖構建,相鄰的2個超像素間建立一條無向邊,權值設為1,不相鄰的超像素間則沒有邊。對于選取的任意一個超像素塊αi,找到經(jīng)過αi并且兩端分別位于圖片的左邊界和右邊界的最短路徑path(αi)={αi} i=1 m ,將該點與邊界點的差異性和該點與中心點的相似度相結合,以計算顯著度S(αi):

【參考文獻】：
期刊論文
[1]視覺感知正反饋的顯著性檢測[J]. 吳禎,潘晨,殷海兵.  中國圖象圖形學報. 2017(07)
[2]惰性隨機游走視覺顯著性檢測算法[J]. 李波,盧春園,金連寶,冷成財.  中國圖象圖形學報. 2016(09)
[3]一種多尺度超像素顯著性檢測算法[J]. 王剛,王曉東,陳超,汪朝林.  計算機工程. 2016(07)
[4]利用背景先驗的顯著性檢測算法[J]. 張巧榮.  中國圖象圖形學報. 2016 (02)



本文編號：3035906