基于可区分边界和加权对比度优化的显著度检测算法

dapmood

基于可区分边界和加权对比度优化的显著度检测算法

4 _2 Q  [0 L9 e" }1 H) ]# ]) G- w摘要:针对目前基于先验背景的显著度算法中,把图像的所有边界同等对待带来的误判别问题,本文提出一种基于可区分边界和加权对比度优化的显著度检测算法.为了客观评价显著度,本文首先设计了一种粗略评估显著度的指标,用来选择较好的背景图.以该指标为基础,该算法先利用HausdoRFf 距离对边界进行区分,再利用测地线距离变换完成可靠的背景检测;然后,构造了一种前景-背景加权的对比度来计算初始显著度;最后,使用加权的优化模型进行显著度的优化.在5个公开数据集上的实验结果表明,本文算法在保持快速、无训练等优点的同时,检测性能优于目前主流算法.
5 D  p* D1 O9 J1 f: x关键词:显著度检测;背景图;可区分边界;加权对比度
$ k( R8 N0 P& _- ~

9 X5 v+ Q$ e  w1引言
) J9 a, w1 d+ |+ g! o3 f视觉显著度检测用于获取图像中最容易引起人眼注意的区域.自从Itti 等人"在1998年提出第一个通用的显著度计算模型以来,一直是计算机视觉领域中的一个研究热点.作为一项预处理过程,显著度被广泛应用于图像分割2、图像重定位[3]、目标跟踪4、图像分类15]视频压缩[6等领域.
显著度检测方法通常分为自底向上(Bottom-up)和自顶向下('Top-down)两种模式.前者基于低级视觉特征,由数据驱动;后者基于高级视觉特征,由知识和任务驱动.Borji 等人在文献[7,8]中对近二十年来的40种算法进行了详细的比较.其中比较有代表性的有基于“Center-Surround”的差异模型"、基于图的模型Р'、频域模型[10"]以及基于直方图的全局对比度模型12].这些模型多数都是基于对比度优先或中心优先.
  s. X6 \9 o" j/ r自从Wei[ 3]首先利用图片边界作为背景的思路提出后,越来越多的算法采用背景优先或边界优先,取得了较好的检测效果.比如在文献[ 14]的算法中,将到边界的对比度作为区域的背景性( Backgroundness,属于背景的可能性)特征项进行学习;在文献[ 15]的算法中,计算像素到图像边界的流形排序值定义显著度;在文献[ 16]的算
  S& q; [' @  y5 C; H

游客，如果您要查看本帖隐藏内容请回复

+ v" D% g" j+ n! A% X
7 N; ~- W" Y; \3 [& p1 o$ E

NNNei256

基于可区分边界和加权对比度优化的显著度检测算法