留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多尺度区域对比的显著目标识别

成培瑞 王建立 王斌 李正炜 吴元昊

成培瑞, 王建立, 王斌, 李正炜, 吴元昊. 基于多尺度区域对比的显著目标识别[J]. 中国光学, 2016, 9(1): 97-105. doi: 10.3788/CO.20160901.0097
引用本文: 成培瑞, 王建立, 王斌, 李正炜, 吴元昊. 基于多尺度区域对比的显著目标识别[J]. 中国光学, 2016, 9(1): 97-105. doi: 10.3788/CO.20160901.0097
CHENG Pei-rui, WANG Jian-li, WANG Bin, LI Zheng-wei, WU Yuan-hao. Salient object detection based on multi-scale region contrast[J]. Chinese Optics, 2016, 9(1): 97-105. doi: 10.3788/CO.20160901.0097
Citation: CHENG Pei-rui, WANG Jian-li, WANG Bin, LI Zheng-wei, WU Yuan-hao. Salient object detection based on multi-scale region contrast[J]. Chinese Optics, 2016, 9(1): 97-105. doi: 10.3788/CO.20160901.0097

基于多尺度区域对比的显著目标识别

doi: 10.3788/CO.20160901.0097
基金项目: 国家高技术研究发展计划(863计划)资助项目(No.2013AAXXXX042)
详细信息
    通讯作者:

    成培瑞(1990-),男,山东东营人,硕士研究生,主要从事计算机视觉方面的研究。E-mail:cpr@mail.ustc.edu.cn

    王建立(1971-),男,山东曲阜人,研究员,博士生导师,主要从事地基大型光电设备总体技术方面的研究。E-mail:wangjianli@ciomp.ac.cn

  • 中图分类号: TP391.41

Salient object detection based on multi-scale region contrast

  • 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1000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  1  不同尺度下的抽象化图像

    Figure  1.  Multi-scales abstract images

    图  2  原图

    Figure  2.  Origin image

    图  3  R值对应的显著图

    Figure  3.  Saliency map with value R

    图  4  D值对应的显著图

    Figure  4.  Saliency map with value D

    图  5  融合后的显著图

    Figure  5.  Fused saliency map

    图  6  各尺度下的显著图及最终显著图

    Figure  6.  Saliency maps of variety scale and final saliency map

    图  7  6种算法的显著图及人工标注图 1

    Figure  7.  Saliency maps obtained by using six different algorithms and human annotated image 1

    图  8  6种算法的显著图及人工标注图 2

    Figure  8.  Saliency maps obtained by using six different algorithms and human annotated image 2

    图  9  6种算法的显著图及人工标注图 3

    Figure  9.  Saliency maps obtained by using six different algorithms and human annotated image 3

    图  10  6种算法的显著图及人工标注图 4

    Figure  10.  Saliency maps obtained by using six different algorithms and human annotated image 4

    图  11  6种算法的显著图及人工标注图 5

    Figure  11.  Saliency maps obtained by using six different algorithms and human annotated image 5

    表  1  6种算法的平均精确率、召回率及F-Measure值

    Table  1.   Average Precision Ratio,average Recall Ratio and F-Measure obtained with six algorithms

    算法PRF-Measure
    IT0.438 50.246 70.371 8
    GB0.524 70.642 80.547 9
    CA0.526 80.695 10.558 0
    FT0.586 90.684 70.606 2
    RC0.759 60.874 80.783 4
    OURS0.872 30.804 70.855 7
    下载: 导出CSV
  • [1]

    [2]
    [3]

    [4]

    [5]

    [6]

    [7]

    [8]

    [9]
    [10]
    [11]
    [12]
    [13]

    [14]

    [15]

  • 加载中
图(11) / 表(1)
计量
  • 文章访问数:  484
  • HTML全文浏览量:  54
  • PDF下载量:  797
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-09-11
  • 录用日期:  2015-11-13
  • 刊出日期:  2016-01-25

目录

    /

    返回文章
    返回