基于稀疏和低秩表示的显著性目标检测-论文.pdf

《基于稀疏和低秩表示的显著性目标检测-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、a叶哉2015年第28卷第2期ElectronicSci．＆Tech．／Feb．15．2015doi：10．16180／j．cnki．issnl007—7820．2015．02．030基于稀疏和低秩表示的显著性目标检测刘甜甜(西安电子科技大学数学与统计学院，陕西西安710126)摘要文中研究了无监督自下而上的显著性目标检测方法。基于显著性目标在自然图像中稀疏分布的这一先验}生假设，提出了一种用低秩和稀疏表示进行显著性目标检测的方法。根据图像背景的先验分布，首先选取一个有效的背景字典来低秩表示图像的背景部分，进而更好地分离出显著性前景。由于人类视觉中心偏好可知，图像的边缘部

2、分不易引起关注，故选取这些边缘部分作为背景先验来选取背景字典。与其他基于稀疏和低秩分解的显著性目标检测相比，文中选取的背景字典更简单有效，且能得到更好的显著性图。实验结果显示，该方法比主流的显著性检测方法得到的显著性图更令人满意。关键词稀疏表示；超像素分割；显著性目标检测中图分类号TP391．41文献标识码A文章编号1007—7820(2015)02—112—04SparseandLowRankBasedSaliencyDetectionUUTiantian(SchoolofMathematicsandStatistics，XidianUniversity，Xi’all7

3、10126，China)AbstractThispaperstudiestheunsupervisedsaliencydetectionmethod．Basedontheassumptionthatsalientobjectsaresparselyscatteredovertheimage，weproposethesparseandlowrankbasedsaliencydetectionmethod．Accordingtotheprioridistributionofimagebackground，weselectaneffectivebackgrounddiction

4、arytorepresenttheimagebackgroundandthusseparatethesalientforeground．Comparedwithothersaliencydetectionmethodthebackgrounddictionaryinourmethodissimpleandeffective，andcanhelplocatethesalientobjectsaccurately．Ex—perimentalresultsshowthatcomparedwithothermethodadifferencedoesexistinfavorofou

5、rs．Keywordssparserepresentation；sup—pixelsegmentation；saliencydetection视觉显著性在计算机视觉和图像理解中有着重要中显著性目标物和背景都有一定的先验假设，例如：对作用并且涉及范围广，包括认知心理学¨、神经生物比度、紧l生等，基于这些假设研究者们提出了各种显著学等。由于计算机视觉和图像处理的应用不断地广性检测方法。泛，显著性目标检测也引起了越来越多致力于信号处在自然图像中人类视觉系统所感兴趣的往往是一理、计算机视觉和机器学习研究工作的学者的研究，并些特殊的内容，这些内容是图像中较小的一部分且是很好地被运用

6、到与其相关的应用中，例如：图像自动裁稀疏分布的，可称这些引起人类视觉系统感兴趣的部剪、图视频压缩，图像分割、目标识别和分为显著性部分，因此从这方面讲，显著性检测就有这图像自适应等。目前的显著性检测主要分为有监督的样的一个先验假设，即显著性目标在整幅图像上是稀自上而下的显著性目标检测(包括人脸识别等)和无疏的，这样一幅图像就可以被看做是背景加上在背景监督的自下而上的检测方法，二者的主要区别在于所上稀疏分布的一些显著性目标。显著性前景往往具有要检测的显著性目标是否为人为指定的。本文研究的某些特殊的特征比如：颜色、亮度、方向性、纹理结构是无监督的白下而上的显著性目标检测方法。等

7、，相比于前景，背景区域的特征就不是很明显，因而不会引起人们太多注意。C．LangJ，X．Shen_8等人提显著性目标检测方法旨在自动地找出一幅图像中包含有用信息的人们感兴趣的部分，人类视觉系统很出图像背景具有低秩特性进而自然图像可以被分解为容易找出一幅图像中所关注的部分，但对于机器而言一个低秩矩阵和一个稀疏矩阵，本文基于文献[7～8]则并不简单。所有自下而上的显著性检测方法对图像的方法将背景看做为在某个字典下的低秩表示矩阵，不同于文献[7]将原始图像作为字典，文中根据背景的一些先验假设选出一部分背景作为字典来低秩表示收稿日期：