針對(duì)目前大多數(shù)顯著性檢測(cè)方法中采用背景種子以及局部區(qū)域?qū)Ρ榷蕊@著性檢測(cè)模型的缺點(diǎn),本文提出了一種綜合考慮局部特征以及全局特征的顯著性檢測(cè)算法。在對(duì)圖像進(jìn)行分割之后,算法首先融合了采用多特征方式生成的背景顯著圖與采用前景區(qū)域?qū)Ρ榷确绞缴傻那熬帮@著圖,之后使用高斯濾波器對(duì)融合后的結(jié)果進(jìn)行優(yōu)化形成局部特征顯著圖。其次,在局部特征顯著圖的基礎(chǔ)上提取多種特征的樣本集合進(jìn)行訓(xùn)練,從而得到全局特征顯著圖。算法最后將第一步生成的局部特征顯著圖與全局特征顯著圖進(jìn)行結(jié)合生成最終的顯著圖。實(shí)驗(yàn)部分驗(yàn)證了算法各部分的有效性,并且在3個(gè)公開數(shù)據(jù)集上對(duì)文章方法與近年來優(yōu)秀的顯著性檢測(cè)算法進(jìn)行了對(duì)比,實(shí)驗(yàn)結(jié)果顯示,本文算法在CSSD數(shù)據(jù)集上的準(zhǔn)確率、召回率以及F-measure分別達(dá)到了0.837 5、0.743 4和0.813 7,在其它數(shù)據(jù)集上也有良好表現(xiàn)。實(shí)驗(yàn)表明,本文算法能夠有效抑制背景區(qū)域,并且高亮前景區(qū)域,更好地檢測(cè)出顯著目標(biāo)。 

【文章來源】：光學(xué)精密工程. 2017,25(03)北大核心EICSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
1 引言
2 結(jié)合多尺度多特征的顯著性檢測(cè)
    2.1 多特征的背景顯著圖
    2.2 基于前景種子的顯著圖
    2.3 高斯濾波器優(yōu)化
    2.4 多核分類器學(xué)習(xí)模型
3 實(shí)驗(yàn)結(jié)果及分析
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]采用脈沖耦合神經(jīng)網(wǎng)絡(luò)的改進(jìn)顯著性區(qū)域提取方法[J]. 賈松敏,徐濤,董政胤,李秀智.  光學(xué)精密工程. 2015(03)
[2]融合對(duì)比度和分布性的圖像顯著性區(qū)域檢測(cè)[J]. 張穎穎,張帥,張萍,盧成.  光學(xué)精密工程. 2014(04)
[3]組合核函數(shù)支持向量機(jī)高光譜圖像融合分類[J]. 高恒振,萬建偉,粘永健,王力寶,徐湛.  光學(xué)精密工程. 2011(04)



本文編號(hào)：3384407