结合布尔图和灰度稀缺性的小目标显著性检测
目的 基于超像素分割的显著物体检测模型在很多公开数据集上表现优异,但在实际场景应用时,超像素分割的数量和大小难以自适应图像和目标大小的变化,从而使性能下降,且分割过多会耗时过大.为解决这一问题,本文提出基于布尔图和灰度稀缺性的小目标显著性检测方法.方法 利用布尔图的思想,提取图像中较为突出的闭合区域,根据闭合区域的大小赋予其显著值,形成一幅显著图;利用灰度稀缺性,为图像中的稀缺灰度值赋予高显著值,抑制烟雾、云、光照渐晕等渐变背景,生成另一幅显著图;将两幅显著图融合,得到具有全分辨率、目标突出且轮廓清晰的显著图.结果 在3个数据集上与14种显著性模型进行对比,本文算法生成的显著图能有效抑制背景,并检测出多个小目标.其中,在复杂背景数据集上,本文算法具有最高的F值(F-measure)和最小的MAE(mean absolute error)值,AUC(area under ROC curve)值仅次于DRFI(discriminative regional feature integration)和ASNet(attentive saliency network)模型,AUC和F-measure值比BMS(Boolean map based saliency)模型分别提高了1.9％和6.9％,MAE值降低了1.8％;在SO200数据集上,本文算法的F-measure值最高,MAE值仅次于ASNet,F-measure值比BMS模型提高了3.8％,MAE值降低了2％;在SED2数据集上,本文算法也优于6种传统模型.在运行时间方面,本文算法具有明显优势,处理400×300像素的图像时,帧频可达12帧/s.结论 本文算法具有良好的适应性和鲁棒性,对于复杂背景下的小目标具有良好的显著性检测效果.
显著物体检测、布尔图、灰度稀缺性、小目标、复杂背景
25
TP301.6(计算技术、计算机技术)
国家自然科学基金项目;部委级基金项目
2020-06-22（万方平台首次上网日期，不代表论文的发表时间）
共15页
267-281
