基于边界和中心关系的显著性检测方法

发布时间：2021-02-16 01:38

　　为提高显著性检测模型生成显著图时的准确率和对比度,提出一种基于边界和中心关系的显著性检测方法。对图像进行引导滤波平滑处理并利用SLIC实现超像素分割,根据中心点和边界点的关系计算超像素块的显著度,通过伽马变换背景抑制得到显著图1。利用边界点和中心点的关系得到种子点,改进流行排序算法,通过伽马变换背景抑制得到显著图2。将2幅显著图在像素级上进行融合,以得到最终显著图。实验结果表明,相对COV、DSR和GR等方法,该方法的F-Measure、E-Measure及MAE指标值更优,且能够提升背景抑制效果。 

【文章来源】：计算机工程. 2020,46(06)北大核心

【文章页数】：7 页

【部分图文】：

基于边界和中心关系的显著性检测方法框架

其中,真值图像p是即将被引导滤波的原图像,εa k 2 是惩罚项。从图2可以看出,经过引导滤波后的图像梯度比原图像小,但是边缘信息可以被很好地保留,达到平滑处理和去噪的效果。1.3 超像素分割

背景区域具有连续性,前景区域与背景区域有明显的对比度,并且前景区域边界闭合。如图3所示,条形区域a背景连续,中间部分与两端边界区域相似度高、对比度低,且具有连续性;条形区域b的中间部分与两端边界区域相似度低、对比度高,且中心区域边缘闭合,可以理解为中心区域的显著目标隔断了背景区域的连续性。对超像素分割后的图片进行无向图构建,相邻的2个超像素间建立一条无向边,权值设为1,不相邻的超像素间则没有边。对于选取的任意一个超像素块αi,找到经过αi并且两端分别位于图片的左边界和右边界的最短路径path(αi)={αi} i=1 m ,将该点与边界点的差异性和该点与中心点的相似度相结合,以计算显著度S(αi):

【参考文献】：
期刊论文
[1]视觉感知正反馈的显著性检测[J]. 吴祯,潘晨,殷海兵.  中国图象图形学报. 2017(07)
[2]惰性随机游走视觉显著性检测算法[J]. 李波,卢春园,金连宝,冷成财.  中国图象图形学报. 2016(09)
[3]一种多尺度超像素显著性检测算法[J]. 王刚,王晓东,陈超,汪朝林.  计算机工程. 2016(07)
[4]利用背景先验的显著性检测算法[J]. 张巧荣.  中国图象图形学报. 2016 (02)



本文编号：3035906