基于背景连续性先验知识,提出了一种新的显著性检测方法。该方法首先对图像进行超像素分割,寻找任意一组超像素间的最短长度路径,并根据路径中的超像素与路径首尾两端的超像素的色彩差异计算出超像素的前景权重。经过基于色彩差异的前景权重修正和基于边界先验知识的显著性优化,得到最终的显著性检测结果。所提方法在多个图像数据集上进行了检测效果测试,均取得了优异的表现。
图像处理 显著性检测 超像素 最短路径 边界先验知识 激光与光电子学进展
2019, 56(12): 121006
北京理工大学 光电学院光电成像技术与系统教育部重点实验室，北京 100081
针对近红外场景仿真中需要将不同材质分类的问题，提出一种谱聚类的灰度纹理图像分割方法。首先利用mean-shift 算法，将原始图像预分割为多个具有准确边界的同质区域，并将这些区域描述为超像素；进而，将超像素构造的无向加权图作为谱聚类的输入，通过谱聚类的方法解决超像素的过分割问题。本文的方法在谱聚类过程中考虑了超像素的纹理特征，弥补了灰度图像在谱聚类过程中只顾及灰度和空间信息的不足。实验结果表明，利用本文分割方法不但减少了运算量，并且为精细的近红外场景仿真奠定了基础。
近红外仿真 图像分割 超像素 谱聚类 纹理特征 相似度矩阵 near infrared simulation image segmentation super pixels spectral clustering texture feature similarity matrix
1 国防科技大学ATR 国家重点实验室，湖南 长沙 410073
2 武警韶关支队，广东 韶关 512000
通过SLIC 分割算法将图像分成多个超像素区域后，利用重构误差进行视觉显著性检测。首先提取图像边缘的超像素区域作为背景模板，然后利用这些模板构建两重外观模型：稀疏外观模型及稠密外观模型。对于每一块图像区域，首先计算稠密重构误差及稀疏重构误差，然后利用K 均值聚类方法得到的上下文对重构误差进行传播，再利用贝叶斯准则融合稀疏型检测结果及稠密型检测结果，最后通过综合多尺度重构误差信息及修正的目标基高斯模型信息实现像素级显著性检测。
超像素 稠密重构误差 稀疏重构误差 显著性检测 super-pixels dense reconstruction error sparse reconstruction error visual saliency detection
1 天津大学 电子信息工程学院, 天津 300072
2 天津大学 计算机科学与技术学院, 天津 300072
提出基于超像素分割, 并联合自回归模型的深度复原方法。首先对已获取的场景彩色图进行过分割, 得到彩色图中每个像素的标号, 然后构建基于已分割彩色图像指导的自回归模型: 根据像素标号对自回归模型系数进行预测, 通过优化预测系数差错来实现深度图恢复。实验表明, 该算法不仅能有效恢复出深度图, 而且在结构边缘细节处更加突出, 优于目前主流的方法。
深度图恢复 超像素 自回归模型 系数预测 深度相机 Depth image recovery super-pixels AR model coefficients prediction depth camera. 引言
