武汉科技大学 信息科学与工程学院, 湖北 武汉 430081
为了取得更好的显著性检测结果,针对传统的显著性检测方法易造成边界模糊以及应用中央-周边差进行图像检测时,感兴趣目标的内部纹理会破坏目标的整体性的问题,提出了一种基于纹理抑制和连续分布估计的显著性检测方法.先对图像进行双边滤波的预处理,以平滑目标以及背景区域内部的纹理扰动,保留目标与背景之间的主要边缘.再采用SLIC超像素分割算法,对图像中具有相同特征的像素进行分组,通过多维正态分布提取分割区域的特征,利用二范数Wasserstein距离计算区域相似度:结合局部显著性检测以及全局显著性检测实现目标区域的提取.实验结果表明,本文的方法能够较好地提取显著性目标区域.
显著性检测 背景先验 Wasserstein距离 正态分布 saliency detection background prior Wasserstein distance normal distribution
武汉科技大学信息科学与工程学院， 湖北 武汉 430081
传统的基于 DWT的压缩感知图像融合方法针对的是整个稀疏系数，由于小波系数的低频部分为非稀疏的，导致其压缩重构质量差。针对该问题，提出了一种基于 DWT高频系数压缩测量的融合方法，该压缩模式可以提高重构信号的质量，进而提高融合图像的效果。首先，对图像作小波稀疏变换，得到低频和高频系数，并对高频系数压缩测量得到测量值；然后，在小波域和压缩域分别进行融合，并对融合后的测量值进行重构得到融合后的高频系数；最后，经小波逆变换得到融合后的图像。实验结果表明，本压缩感知模式较传统的压缩感知模式在减少压缩数据量的同时提高了图像的融合效果。
图像融合 小波变换 压缩感知 稀疏信号 image fusion wavelet transform compressed sensing sparse signal
