【摘要】：為了提高顯著性檢測的魯棒性,增加全局信息和局部信息的聯(lián)系,提出一種基于稀疏表示和標(biāo)簽傳播的顯著性檢測算法.首先將復(fù)雜數(shù)據(jù)集進(jìn)行簡潔的表達(dá),獲得數(shù)據(jù)間更深層次的全局聯(lián)系,并利用稀疏表示理論定義鄰接矩陣,突破以往具有共同邊界的限制,將處于同一子空間的數(shù)據(jù)點(diǎn)定義為鄰居;其次利用圖像中每個(gè)區(qū)域間的相似度計(jì)算權(quán)值矩陣并構(gòu)建圖模型,然后經(jīng)過有效篩選部分邊界區(qū)域獲得背景標(biāo)簽;最后基于上述算法獲得的圖模型和背景標(biāo)簽,應(yīng)用標(biāo)簽傳播算法預(yù)測未標(biāo)記區(qū)域的標(biāo)簽信息,獲得最終的顯著性圖.在多個(gè)公開的顯著性數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn),驗(yàn)證了文中算法的有效性.
[Abstract]:In order to improve the robustness of significance detection and increase the relationship between global information and local information, an algorithm of significance detection based on sparse representation and label propagation is proposed. Firstly, the complex data set is expressed concisely, and the deeper global relation between the data is obtained, and the adjacency matrix is defined by the sparse representation theory, which breaks through the limitation of the common boundary in the past. Define data points in the same subspace as neighbors; Secondly, the weight matrix is calculated by the similarity degree of each region in the image and the graph model is constructed, and then the background label is obtained by effectively selecting some boundary regions. Finally, based on the graph model and background label obtained by the above algorithm, the label propagation algorithm is applied to predict the label information of the unmarked region, and the final significance map is obtained. The effectiveness of the proposed algorithm is verified by experiments on several open salient databases.
【作者單位】： 上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院;上海師范大學(xué)信息與機(jī)電工程學(xué)院;上海交通大學(xué)電子信息與電氣工程學(xué)院;
【基金】：國家自然科學(xué)基金(61502220,U1304616,61472245) 上海市自然科學(xué)基金(15ZR1428600)
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

3 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

4 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

5 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

6 朱杰;楊萬扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識別方法[J];模式識別與人工智能;2012年05期

7 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

8 李正周;王會(huì)改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

9 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識別算法研究[J];模式識別與人工智能;2014年01期

10 陳思寶;趙令;羅斌;;局部保持的稀疏表示字典學(xué)習(xí)[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年01期

相關(guān)會(huì)議論文 前1條

1 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識別[A];2013年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊）[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 姚明海;視頻異常事件檢測與認(rèn)證方法研究[D];東北師范大學(xué);2015年

3 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

4 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

5 程廣濤;基于壓縮感知的人臉識別方法研究[D];天津大學(xué);2015年

6 黃丹丹;基于稀疏表示的視覺目標(biāo)跟蹤方法研究[D];大連理工大學(xué);2016年

7 趙淑歡;欠完備采樣環(huán)境下面向數(shù)據(jù)的稀疏表示人臉識別研究[D];燕山大學(xué);2016年

8 劉海倉;基于稀疏表示的圖像超分辨率與目標(biāo)跟蹤方法研究[D];湖南大學(xué);2015年

9 項(xiàng)鳳濤;基于稀疏表示與優(yōu)化的圖像信息處理方法及應(yīng)用[D];國防科學(xué)技術(shù)大學(xué);2014年

10 劉兆棟;基于稀疏表示理論的圖像去噪與融合算法研究[D];重慶大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

3 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

4 趙孝磊;基于圖像分塊稀疏表示的人臉識別算法研究[D];南京信息工程大學(xué);2015年

5 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺追蹤算法研究[D];華南理工大學(xué);2015年

6 張鈴華;非約束環(huán)境下的稀疏表示人臉識別算法研究[D];南京信息工程大學(xué);2015年

7 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

8 梁曉捷;基于網(wǎng)絡(luò)攝像頭與稀疏表示分類法的實(shí)時(shí)人臉識別系統(tǒng)應(yīng)用研究[D];五邑大學(xué);2015年

9 陳蒙;基于稀疏表示特征的人臉識別方法研究[D];深圳大學(xué);2015年

10 袁文;基于稀疏表示的行人檢測方法研究[D];南京理工大學(xué);2015年

，

本文編號：2453688