针对RGB图像在光照条件较差的情况下,难以检测其显著性目标区域,热红外(T)图像具有红外热辐射,难以检测其显著性目标边界的问题,提出一种基于RGB、T图像信息融合互补的显著性检测算法。首先,基于IHS颜色空间建立图像光照条件,判断RGB、T图像的光照情况;并提出RGB-T图像自适应光照融合算法,该算法根据图像的光照情况引导RGB-T图像的融合,以生成多级RGB-T光照融合图像,提高显著性目标的区域检测能力。其次,使用不同卷积核与标准差的高斯滤波器提取RGB、T图像中物体的边缘高频信息,以生成不同层级的RGB、T高频细节图像;并使用基于编解码器的深度学习网络,对RGB、T高频细节图像进行融合,以生成不同层级的RGB-T细节融合图像,提高显著性目标的边界检测能力。最后,根据图像光照信息进行多级RGB-T光照融合图像与RGB-T细节融合图像的融合;并使用基于学习的算法进行显著性目标检测。实验结果表明,所提算法在提高显著性目标检测精度的同时,优化了显著性目标边界的检测,与EGNet、PoolNet、CPDNet、DMRA和A2dele等优秀的显著性检测算法在F_max值、F_ave值和平均绝对误差等指标上相比,具有一定的竞争力。

显著性目标检测是机器视觉领域的研究热点,具有广泛的应用前景。针对现有显著性目标检测算法存在的显著区域检测不均匀、边缘表示模糊等问题,提出一种双注意力循环卷积显著性目标检测算法。在U-Net全卷积骨干网络中添加像素间-通道间双注意力模块,在跨层连接前对底层特征进行预处理,减小噪声和杂波干扰,提高显著区域检测性能。在骨干网络后端使用循环卷积模块,将最后的预测图与底层卷积层特征进一步结合,增强预测区域边缘的表示效果。在三个公开数据集上进行实验评测,并与相关算法进行对比,结果表明所提算法能更好地均匀突显显著区域和细化区域边缘。

基于一种改进的跨层级特征融合的循环全卷积神经网络,提出了一种结合深度学习的图像显著目标检测算法。通过改进的深度卷积网络模型对输入图像进行特征提取,利用跨层级联合框架进行特征融合,生成了高层语义特征的初步显著图;将初步显著图与图像底层特征融合进行显著性传播以获取结构信息;利用条件随机场对显著性传播结果进行优化,得到了最终显著图。利用大型数据集将所提算法与其他多种算法进行了测试对比,研究结果表明,在对复杂场景图像的显著目标检测方面,所提算法稳健性更好,显著目标检测的完整性提升,背景得到了更有效的抑制。

提出了一种基于结构标签学习的显著性目标检测算法, 将结构化学习方法应用到显著性目标检测中。首先从含有标记的图像中随机采集固定大小的矩形区域, 并记录其结构标签; 然后使用含结构标签的区域特征构建决策树集合; 最后采用监督学习的方法对图像进行优化预测, 得到最终的显著图。实验结果表明, 本文方法能较准确地检测出图像库中图像的显著性区域, 在数据库MSRA5000和BSD300的AUC值分别为0.891 8、0.705 2, 说明本文方法具有较好的显著性检测效果。

为了对图像中的显著目标进行更精确的识别, 提出一种新的基于多尺度区域对比的视觉显著性计算模型。首先基于多尺度思想将图像分别分割为不同数目的超像素, 对超像素内的像素颜色值取平均以生成抽象化图像; 然后根据显著特征的稀少性及显著特征的聚集性, 计算单一尺度下超像素颜色特征的显著性值; 最后通过取各尺度超像素显著度的平均值来融合多尺度显著图, 得到最终的视觉显著图。实验表明, 以MSRA图库中的1 000张随机自然图片为例, 该模型较现有较好的区域对比模型, 显著目标识别的精确率提高了148%, F-Measure值提高了92%。与现有的算法相比, 该模型提高了算法对显著目标大小的适应性, 减少了背景对显著目标识别的干扰, 具有更好的一致性, 能更好地识别显著目标。