融合连续区域特性和背景学习模型的显著计算

被引：4

作者：

纪超 ^{[1
]}

黄新波 ^{[1
]}

刘慧英 ^{[2
]}

张慧莹 ^{[1
]}

邢小强 ^{[1
]}

机构：

[1] 西安工程大学电子信息学院

[2] 西北工业大学自动化学院

来源：

模式识别与人工智能 | 2018年 / 31卷 / 04期

关键词：

机器视觉; 显著性检测; 高斯混合模型(GMM); 特征融合;

D O I：

10.16451/j.cnki.issn1003-6059.201804002

中图分类号：

TP391.41 [];

学科分类号：

摘要：

为了提高显著性模型的计算效率,提出基于连续区域特性和背景学习的模型,分别提取图像的显著区域,并进行融合.首先计算区域显著目标像素与周围像素位置的距离,提出基于贝叶斯的区域显著性对比的度量方法.然后采用连续性区域合并,合并空洞区域与其最相似的邻居区域.之后采用3种典型的显著性算法处理同一幅图像,得到不同的显著特征图,采用反差法得到各特征图的背景,建立混合高斯背景模型,加权学习合成背景图,再与原图作差得到前景显著区域.最后结合细胞调节规律融合得到的显著区域.在SED1、ASD图像库中测试文中算法,所得的F-measure、平均误差都较优.

引用

页码：300 / 309

页数：10