论文笔记:基于视觉显著性检测的图像分类方法
2018-03-09 09:47
2081 查看
对于一幅图像来说,人们只对他的部分区域感兴趣,这部分区域能让人们知道这幅图片的主要内容。显著性区域就是最能引起用户兴趣、最能表达图像内容的区域。显著性区域的选择是非常主观的,对于同一副图像,不同的用户可能会选择不同的区域作为显著区域。常用的方法是利用人的视觉注意机制为基础计算图像的显著度。
基于图像特征空间的分类方法:先把底层特征用特征空间表示,然后利用高层空间特征完成图像分类。这样不仅可以降低数据的维度和计算复杂度,而且还具有一定的鲁棒性,实用性较强,成为图像分类的主流方法。
2.幅度谱中的峰值对应重复部分(即非显著性部分)。文章通过分析周期信号的频谱图,证明了幅度谱中的尖峰对应图像中的重复部分(即我们所要抑制的部分),并且频谱图中循环部分越多,幅度谱的尖峰值越大,用低通滤波器平滑幅度谱发现,原始图像的幅度谱峰值越大,平滑后峰值降低的越多。
在固定长度的周期信号中嵌入显著性部分时,显著性区间并不会对幅度谱中的尖峰产生太大影响。也就是说 1)即使在周期信号轴插入显著部分,尖峰仍会保持。2)插入的显著本分不会再频谱中造成尖峰尖锐。
3.使用光谱滤波抑制重复部分。在频域中,使用幅度谱与高斯核函数卷积,等价于图像显著性检测器。
4.频谱尺度空间分析。使用不同尺度的高斯核函数与幅度谱进行卷积,得到幅度谱尺度空间。试验发现,显著性区域越大,对应的核尺度越小,文理丰富或者小的显著性区域对应的核尺度越大
2.组成超
HFT模型采用不同的高斯核函数对幅度谱进行平滑滤波,以达到抑制高频信息的同时增强低频信息的目的。
第二阶段:初始显著性计算
第三阶段:显著性细化
分析第二阶段得到的初始显著图ISM的灰度值,发现背景区域对应较低的灰度值。以灰度值的极小值作为阈值,对ISM阈值分割,得到多个区域,把灰度值最低的作为背景模板BT,其余区域作为显著性候选区域SCR。以BT中的特征描述子作为词典A,用以计算SCR的稀疏编码。描述子dR选用的是fR={L均值,a均值,b均值,x均值,y均值}以及纹理特征HOG。
基于字典A,对SCR稀疏编码,重构误差越大,说明该区域越有可能是显著性目标。
di对应的稀疏系数按如下优化问题得到:
重构误差为:
对每个区域的描述子di稀疏编码,得到重构误差,以重构误差为值构成重构误差图REM(reconstruction error map)。为了使每个区域的显著性值保持一致,将每个区域像素点的值为设为该区域的重构误差的均值,由此得到权值图(weight value map,wvp),WMP与ISM的每个元素相乘,得到新的显著性图。
除了考虑重构误差,该作者还考虑了object-bias先验知识,进一步抑制背景的显著性值。此处的object-bias是指越靠近显著性目标的像素越应该被重视。对得到的新的显著性图按大津阈值法二值化,对二值图距离变换得到距离图DM
最终的显著图FSM:
其中,OGM为基于DM的Object-bias高斯图:
基于图像特征空间的分类方法:先把底层特征用特征空间表示,然后利用高层空间特征完成图像分类。这样不仅可以降低数据的维度和计算复杂度,而且还具有一定的鲁棒性,实用性较强,成为图像分类的主流方法。
Visual Saliency Based on Scale-Space Analysis in the Frenquency Domain基于频域尺度空间分析的显著性检测
一、本文认为,幅度谱与低通高斯滤波器的卷积等于显著性检测器。
1.抑制重复部分以突出显著性区域。本文定义了显著性,认为显著性区域与图片中其他部分相比拥有不同的特征分布,将图片分成均匀的小块,发现非显著性区域对应重复或者相似的图像块,因此要想办法抑制重复区域以突出显著区域。2.幅度谱中的峰值对应重复部分(即非显著性部分)。文章通过分析周期信号的频谱图,证明了幅度谱中的尖峰对应图像中的重复部分(即我们所要抑制的部分),并且频谱图中循环部分越多,幅度谱的尖峰值越大,用低通滤波器平滑幅度谱发现,原始图像的幅度谱峰值越大,平滑后峰值降低的越多。
在固定长度的周期信号中嵌入显著性部分时,显著性区间并不会对幅度谱中的尖峰产生太大影响。也就是说 1)即使在周期信号轴插入显著部分,尖峰仍会保持。2)插入的显著本分不会再频谱中造成尖峰尖锐。
3.使用光谱滤波抑制重复部分。在频域中,使用幅度谱与高斯核函数卷积,等价于图像显著性检测器。
4.频谱尺度空间分析。使用不同尺度的高斯核函数与幅度谱进行卷积,得到幅度谱尺度空间。试验发现,显著性区域越大,对应的核尺度越小,文理丰富或者小的显著性区域对应的核尺度越大
二、使用超复数傅里叶变换计算显著性
1.计算特征图{I,RG,BY}2.组成超
HFT模型采用不同的高斯核函数对幅度谱进行平滑滤波,以达到抑制高频信息的同时增强低频信息的目的。
基于超像素聚类的显著性检测方法(唐有宝)
第一阶段:超像素聚类第二阶段:初始显著性计算
第三阶段:显著性细化
分析第二阶段得到的初始显著图ISM的灰度值,发现背景区域对应较低的灰度值。以灰度值的极小值作为阈值,对ISM阈值分割,得到多个区域,把灰度值最低的作为背景模板BT,其余区域作为显著性候选区域SCR。以BT中的特征描述子作为词典A,用以计算SCR的稀疏编码。描述子dR选用的是fR={L均值,a均值,b均值,x均值,y均值}以及纹理特征HOG。
基于字典A,对SCR稀疏编码,重构误差越大,说明该区域越有可能是显著性目标。
di对应的稀疏系数按如下优化问题得到:
重构误差为:
对每个区域的描述子di稀疏编码,得到重构误差,以重构误差为值构成重构误差图REM(reconstruction error map)。为了使每个区域的显著性值保持一致,将每个区域像素点的值为设为该区域的重构误差的均值,由此得到权值图(weight value map,wvp),WMP与ISM的每个元素相乘,得到新的显著性图。
除了考虑重构误差,该作者还考虑了object-bias先验知识,进一步抑制背景的显著性值。此处的object-bias是指越靠近显著性目标的像素越应该被重视。对得到的新的显著性图按大津阈值法二值化,对二值图距离变换得到距离图DM
最终的显著图FSM:
其中,OGM为基于DM的Object-bias高斯图:
相关文章推荐
- [置顶] 基于DL的计算机视觉(2)--实现图像分类最简单的方法:KNN
- 阅读笔记——基于字典学习的图像分类方法总结
- 【机器视觉】计算机视觉必读:图像分类、定位、检测,语义分割和实例分割方法梳理
- 干货丨计算机视觉必读:图像分类、定位、检测,语义分割和实例分割方法梳理(经典长文,值得收藏)
- 基于高维视觉特征模型的目标图像检测与图像分割技术研究---论文摘录
- 【代码相似论文笔记】基于序列聚类的相似代码检测算法
- 立体视觉:基于OpenGL的立体图像对的软件实现方法
- 数据增强(检测,分类,识别):1708.Random Erasing Data Augmentation 论文笔记
- 论文阅读笔记-图像识别分类
- 阅读图像显著性检测论文六:2015年版本的Global Contrast Based Salient Region Detection
- 推荐-计算机视觉、图像处理方面的论文阅读笔记
- 五种基于RGB色彩空间统计的皮肤检测算法 分类: 视频图像处理 2015-07-24 10:18 48人阅读 评论(0) 收藏
- 视觉感知特性【3】基于视觉关注的图像显著性分析
- 图像显著性检测-谱残差方法 c++ opencv实现
- 毕设——图像视觉显著性目标检测(第五周到第七周工作总结)
- 基于Boost方法的人脸检测(2):样本生成(切割图像、resize图像、灰度化图像、保存图片)
- 图像/视觉显著性检测技术发展情况梳理(Saliency Detection、Visual Attention)
- 图像/视觉显著性检测技术发展情况梳理(Saliency Detection、Visual Attention)
- 图像/视觉显著性检测技术发展情况梳理--计算机视觉专题
- paper 27 :图像/视觉显著性检测技术发展情况梳理(Saliency Detection、Visual Attention)