基于多尺度区域对比的显著目标识别

发布时间：2019-08-03 19:15

【摘要】：为了对图像中的显著目标进行更精确的识别,提出一种新的基于多尺度区域对比的视觉显著性计算模型。首先基于多尺度思想将图像分别分割为不同数目的超像素,对超像素内的像素颜色值取平均以生成抽象化图像;然后根据显著特征的稀少性及显著特征的聚集性,计算单一尺度下超像素颜色特征的显著性值;最后通过取各尺度超像素显著度的平均值来融合多尺度显著图,得到最终的视觉显著图。实验表明,以MSRA图库中的1 000张随机自然图片为例,该模型较现有较好的区域对比模型,显著目标识别的精确率提高了14.8%,F-Measure值提高了9.2%。与现有的算法相比,该模型提高了算法对显著目标大小的适应性,减少了背景对显著目标识别的干扰,具有更好的一致性,能更好地识别显著目标。
【图文】：

图1不同尺度下的抽象化图像Fig．1Multi-scalesabstractimages2．2计算单一尺度超像素显著性根据context-aware［15］提出的准则:(1)具有不同颜色的区域对应显著性值高，均匀的区域显著性值低;(2)经常出现的特征应当被抑制;(3)显著的像素应当聚集在一块，而不是遍布整幅图像。本文计算单一尺度下的超像素显著性值，下面以图2为例，，取Nk=400，图2为一张测试图的原图。图2原图Fig．2Originimage首先，由准则(2)可以看出，当某个超像素与其他的超像素的颜色差异较大时，则该超像素的稀少性高。由准则(1)可以看出，空间距离也能影响超像素颜色特征的稀少性，超像素之间的空间距离越近，则其颜色差异对稀少性的影响越大。反之，当超像素之间的空间距离较大时，即使其颜色差异较大，对稀少性的影响也不大。基于上述分析，本文采用以超像素间空间距离作为权值的加权颜色距离之和来表示超像素的稀少性。定义dcolor(i，j)为第i个超像素与第j个超像素在Lab颜色空间上的欧式距离，并对其归一化。dposition(i，j)为两个超像素的空间位置的欧式距离，并对其归一化。定义Ｒik=ΣNkj=1dcolor(i，j)·e－dposition(i，j)σ2p，(1)式中，σ2p用来控制空间距离对颜色对比的影响大小，在本文取σ2p为0.4。当两个超像素的空间距离较小时，Ｒik可以基本看成是两个超像素间的颜色空间的欧式距离之和，当两者的空间距离较大时，会大幅度减小两者的颜色距离对稀少性的影响。所以Ｒik越大，则在第k个尺度下第i个超像素的稀少性越高，如图3所示。图3Ｒ值对应的显著图Fig．3SaliencymapwithvalueＲ上述是通过准则(1)、(2)的特征性质推出的一种稀少性计算方法，而由准则

图1不同尺度下的抽象化图像Fig．1Multi-scalesabstractimages2．2计算单一尺度超像素显著性根据context-aware［15］提出的准则:(1)具有不同颜色的区域对应显著性值高，均匀的区域显著性值低;(2)经常出现的特征应当被抑制;(3)显著的像素应当聚集在一块，而不是遍布整幅图像。本文计算单一尺度下的超像素显著性值，下面以图2为例，取Nk=400，图2为一张测试图的原图。图2原图Fig．2Originimage首先，由准则(2)可以看出，当某个超像素与其他的超像素的颜色差异较大时，则该超像素的稀少性高。由准则(1)可以看出，空间距离也能影响超像素颜色特征的稀少性，超像素之间的空间距离越近，则其颜色差异对稀少性的影响越大。反之，当超像素之间的空间距离较大时，即使其颜色差异较大，对稀少性的影响也不大。基于上述分析，本文采用以超像素间空间距离作为权值的加权颜色距离之和来表示超像素的稀少性。定义dcolor(i，j)为第i个超像素与第j个超像素在Lab颜色空间上的欧式距离，并对其归一化。dposition(i，j)为两个超像素的空间位置的欧式距离，并对其归一化。定义Ｒik=ΣNkj=1dcolor(i，j)·e－dposition(i，j)σ2p，(1)式中，σ2p用来控制空间距离对颜色对比的影响大小，在本文取σ2p为0.4。当两个超像素的空间距离较小时，Ｒik可以基本看成是两个超像素间的颜色空间的欧式距离之和，当两者的空间距离较大时，会大幅度减小两者的颜色距离对稀少性的影响。所以Ｒik越大，则在第k个尺度下第i个超像素的稀少性越高，如图3所示。图3Ｒ值对应的显著图Fig．3SaliencymapwithvalueＲ上述是通过准则(1)、(2)的特征性质推出的一种稀少性计算方法，而由准则
【作者单位】： 中国科学院长春光学精密机械与物理研究所;中国科学院大学;
【基金】：国家高技术研究发展计划(863计划)资助项目(No.2013AAXXXX042)~~
【分类号】：TP391.41

【相似文献】

相关期刊论文 前10条

1 赵永强,张洪才,潘泉;基于粗集的目标识别[J];计算机应用;2003年S1期

2 冯杰,盖强,古军峰;模糊聚类分析方法在海上目标识别中的应用[J];仪器仪表学报;2004年S1期

3 周乐儒;王宝树;;数据融合系统中并行目标识别的研究与实现[J];计算机工程;2006年05期

4 王娜;陈克安;;基于特性响度的心理声学特征在车辆目标识别中的应用[J];电声技术;2006年06期

5 魏丽;吴中福;李云;古毅;;感知归类在目标识别中的应用研究[J];计算机科学;2006年05期

6 程蕾;吴秀清;;局部特征几何结构用于目标识别[J];计算机工程与应用;2010年26期

7 姬光荣,王鹏,吕洪涛,胡满田;基于不变性矩的3D目标识别[J];青岛海洋大学学报;1997年03期

8 樊养余;孙进才;李平安;许家栋;尚久浩;;基于高阶谱的舰船目标识别[J];模式识别与人工智能;1999年02期

9 黄旭明,张立明;基于独立元分析的扭曲目标识别[J];系统工程与电子技术;2004年04期

10 张海燕,刘大昕,王东木;目标识别的极指数栅格方法[J];哈尔滨工程大学学报;2004年04期

相关会议论文 前10条

1 郑援;胡成军;;基于数据融合的鱼雷目标识别[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

2 李夕海;赵克;慕晓冬;刘代志;;目标识别中的特征相空间吸引子分析[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

3 冯杰;盖强;古军峰;;模糊聚类分析方法在海上目标识别中的应用[A];第二届全国信息获取与处理学术会议论文集[C];2004年

4 赵克;刘代志;慕晓东;苏娟;;目标识别的特征量约束[A];第九届全国信号处理学术年会（CCSP-99）论文集[C];1999年

5 李正东;陈兴无;宋琛;何武良;;多传感器的目标识别[A];中国工程物理研究院科技年报（1999）[C];1999年

6 俞鸿波;赵荣椿;;三维空间目标识别概述[A];信号与信息处理技术——第一届信号与信息处理联合学术会议论文集[C];2002年

7 曹健;陈红倩;毛典辉;李海生;蔡强;;基于局部特征的图像目标识别问题综述[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

8 姚志军;韩秋蕾;;一种新的基于少量样本的目标识别与分割方法[A];第九届全国信息获取与处理学术会议论文集Ⅱ[C];2011年

9 刘兵;司秉玉;;基于图像区域搜索法的彩色球目标识别与跟踪[A];中国仪器仪表学会第五届青年学术会议论文集[C];2003年

10 蒋立正;李宗利;刘淑茜;;基于雷达观测的空间目标识别仿真系统设计[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年

本文编号：2522742