【摘要】：針對傳統(tǒng)顯著性檢測算法特征學習不足,顯著性區(qū)域邊界不明確和檢測效果魯棒性較差等問題,提出一種基于深度交叉卷積神經(jīng)網(wǎng)絡和免交互Grab Cut的顯著性檢測算法。該方法首先針對傳統(tǒng)CNN模型中神經(jīng)元和參數(shù)規(guī)模較大導致訓練困難的不足,根據(jù)人眼視覺原理,構建深度交叉卷積神經(jīng)網(wǎng)絡模型(DCCNN);然后,采用超像素聚類方法獲取圖像區(qū)域特征,并通過Beltrami濾波突出圖像內的邊界特征,利用DCCNN對特征進行學習,在聯(lián)合條件隨機場框架下完成特征融合,實現(xiàn)顯著性區(qū)域粗糙檢測;最后,對粗糙檢測結果自適應二值化和形態(tài)學膨脹,將顯著區(qū)域的多邊形逼近結果作為Grab Cut算法的輸入,完成顯著性區(qū)域的精確檢測。實驗結果表明所提算法能夠有效提高顯著性檢測精度,具有更好的魯棒性和普適性。
【圖文】：

噘，

本文編號：2526631