针对现有显著性检测方法检测出的显著性区域内质不均匀、边界不够清晰准确的问题,提出了一种基于复杂网络图节点重要性评估策略以及空间自相关的显著性检测方法。首先,结合颜色信息、空间信息,利用复杂网络节点中心性法则以及空间自相关指示系数,生成多准则下的显著性初始图;然后,利用D-S证据理论融合多幅初始图,通过将边界强度信息加入到递进优化的二级元胞自动机,从而得到最终显著性区域结果。在两个公开图像数据集上对所提方法主体过程各模块进行了单步有效性验证,并与其他现有显著性检测方法进行视觉定性、客观定量以及算法效率的实验对比。实验结果表明,所提方法单步各模块具有有效性,且在显著性视觉效果,以及准确率一召回率( P-R)曲线、F-measure值和平均绝对误差(MAE)、算法耗时的综合结果上优于其他算法,特别是与所提方法密切相关的BSCA算法。同时,视觉对比实验的结果也验证了所提方法能够有效改善由于显著性物体与图像背景差异小、显著性物体内部颜色不一且差异大而产生的内质不均和边界不明确的不理想结果。
随着图像处理技术的推进和计算机视觉应用的拓展,利用计算机来完成图像或视频的处理任务变得更为复杂。人们在进行高级视觉处理之前,通常会选择先排除大量冗余的信息从而提取出最需要着重关注的部分一显著性区域。显著性区域检测作为计算机视觉处理的一个重要的预处理步骤,在图像领域逐步得到广大研究者的关注。显著性检测能够减少场景计算的计算量和复杂度,准确地捕捉到图像中的核心信息,感知大量信息中最主要的内容,广泛应用于图像分类。图像拼接、图像分割和目标检测等领域。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !