针对合成孔径雷达(SAR)图像中普遍存在具有相干斑噪声、流冰区域浮冰接触紧密及小碎冰较多等背景复杂问题,提出了一种基于背景抑制显著性检测的SAR流冰分离算法。首先基于图像的显著性检测,通过学习随机森林回归量得到初步显著性图;然后通过超像素构建图像区域并进行离散傅里叶变换,提取区域频域特征并计算卡方距离;之后对边界背景进行抑制,生成背景抑制模块图;最后将两阶段的图融合得到增强显著性图。在SAR海冰数据集上对所提算法、7种显著性算法及3种海冰分割方法进行对比实验。结果表明,所提算法可以有效检测出孤立浮冰,抑制背景区域。

针对目前大多数显著性检测方法中采用背景种子以及局部区域对比度显著性检测模型的缺点, 本文提出了一种综合考虑局部特征以及全局特征的显著性检测算法。在对图像进行分割之后, 算法首先融合了采用多特征方式生成的背景显著图与采用前景区域对比度方式生成的前景显著图, 之后使用高斯滤波器对融合后的结果进行优化形成局部特征显著图。其次, 在局部特征显著图的基础上提取多种特征的样本集合进行训练, 从而得到全局特征显著图。算法最后将第一步生成的局部特征显著图与全局特征显著图进行结合生成最终的显著图。实验部分验证了算法各部分的有效性, 并且在3个公开数据集上对文章方法与近年来优秀的显著性检测算法进行了对比, 实验结果显示, 本文算法在CSSD数据集上的准确率、召回率以及F-measure分别达到了0.837 5、0.743 4和0.813 7, 在其它数据集上也有良好表现。实验表明, 本文算法能够有效抑制背景区域, 并且高亮前景区域, 更好地检测出显著目标。

本文针对交通标志的显著性检测提出了一种新的方法和思路。在Lab 和HSV 两种颜色空间下分别计算L、a、b 和H、S、V 颜色通道的显著图，并通过得到的显著图在高、中、低亮度范围的像素点的多少来筛选Lab 和HSV 中哪个颜色通道的显著图有效，最后融合得到最终显著图。实验证明该方法易于实现，能快速有效的检测出交通标志的显著性区域。