融合图的流形排序与引导学习的显著性目标检测

摘要

为了在显著性目标检测中保持高的召回率的同时提高准确率,本文提出了3点改进思路.第一,从超像素中提取简单的视觉特征,如颜色、方向和空间信息;第二,为了克服经典的基于图的流形排序(MR)的显著性目标检测算法中背景先验假设的缺点,使用仿射传导聚类算法(APC)自动聚合超像素为不同的特征类别.根据目标与背景(改进的)边缘连通度的不同,图像边缘的超像素会得到较大的权重即较大的背景概率值,这样边缘上真正的背景超像素就会筛选出来.同时,使用改进的MR算法计算图像的显著性值.第三,为了进一步增强算法的性能,前面第二步的结果可以作为“弱”显著图,利用引导学习算法从中产生“强”显著图得出最终结果.基于3个标准图像库的实验结果证明,本文提出的算法在性能上超过了其它3种优秀算法.