基于超像素的物体似然概率计算模型研究

纪超; 刘慧英; 孙景峰; 贺胜; 黄民主

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于超像素的物体似然概率计算模型研究

纪超, 刘慧英, 孙景峰, 贺胜, 黄民主

文章导航 > 红外与激光工程 > 2013 > 42(11): 3156-3162

纪超, 刘慧英, 孙景峰, 贺胜, 黄民主. 基于超像素的物体似然概率计算模型研究[J]. 红外与激光工程, 2013, 42(11): 3156-3162.

引用本文:

纪超, 刘慧英, 孙景峰, 贺胜, 黄民主. 基于超像素的物体似然概率计算模型研究[J]. 红外与激光工程, 2013, 42(11): 3156-3162.

Ji Chao, Liu Huiying, Sun Jingfeng, He Sheng, Huang Minzhu. Calculating probability of objectness likelihood model based on superpixels[J]. Infrared and Laser Engineering, 2013, 42(11): 3156-3162.

Citation:

Ji Chao, Liu Huiying, Sun Jingfeng, He Sheng, Huang Minzhu. Calculating probability of objectness likelihood model based on superpixels[J]. Infrared and Laser Engineering, 2013, 42(11): 3156-3162.

基于超像素的物体似然概率计算模型研究

1.
西北工业大学自动化学院,陕西西安 710072

基金项目:

航空基金资助课题（2012ZC53042）

详细信息

作者简介:
纪超（1987-），男，博士生，主要从事机器视觉与图像处理方面的研究。Email：dachao9898@163.com；刘慧英（1956-），女，教授，博士生导师，博士，主要从事机器视觉与图像处理，计算机控制及网络控制等方面研究。Email：lhy2005@nwpu.edu.cn

纪超（1987-），男，博士生，主要从事机器视觉与图像处理方面的研究。Email：dachao9898@163.com；刘慧英（1956-），女，教授，博士生导师，博士，主要从事机器视觉与图像处理，计算机控制及网络控制等方面研究。Email：lhy2005@nwpu.edu.cn

中图分类号: TP911.73

Calculating probability of objectness likelihood model based on superpixels

1.
School of Automation,Northwestern Polytechnical University,Xi'an 710072,China

摘要: 提出基于超像素建立物体似然概率模型来检测图像的显著区域。首先根据显著性原理和物体的自然属性分析影响物体显著度大小的因素；然后使用SLIC算法把图像分成K个超像素，并根据纹理、颜色、梯度特征信息建立不同准则下显著物体概率的计算模型：包括类内紧凑性、颜色空间分布估计以及边缘连续性；再结合细胞调节和指数函数的特征对每个准则下的显著物体概率组合得到物体的似然概率；最后利用该算法在较复杂的场景中对显著区域进行提取实验，证明该算法比其他算法更高效。
- 机器视觉 /
- 显著性提取 /
- SLIC算法 /
- 特征组合
Abstract: Establishing calculation model on the probability of saliency objectness likelihood based on superpixels was introduced to dectect image saliency. At first, factors which affected the size of saliency were analyzed according to the principle of saliency and natural characteristics; And then the SLIC algorithm was used to divide image into K superpixels; Next, according to the texture, color and gradient feature information, calculation models were established on probability saliency object under different rules: including compactness in class, color spatial distribution estimation and edge continuity; Moreover,integrating the probability of saliency object under each rule to get the probability of objectness likelihood according to the characteristics of combining with activity in cells responding to stimuli and exponential function; Finally some experiments extracting regions of interest from complex scenes prove that the proposed algorithm is more efficient than other algorithms.
- machine vision /
- saliency detection /
- SLIC algorithm /
- feature combination

[1]	Itti L, Koch C, Niebur E. A model of saliency-based visual attention for rapid scene analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(11): 1254-1259.
[2]
[3]
[4]	Goferman S, Zelnik-Manor L, Tal A. Context-aware saliency detection[C]//IEEE Conference on Computer Vision and Pattern Recognition(CVPR), 2010.
[5]	Harel J, Koch C, Perona P. Graph-based visual Saliency[C]//Advances in Neural Information Processing Systems(NIPS), 2007.
[6]
[7]
[8]	Jian L, Levine M D, Xiangjing A, et al. Saliency detection based on frequency and spatial domain analysis[C]//Conference of British Machine Vision Conference, 2011: 1-15.
[9]
[10]	Achanta R, Estrada F. Salient region detection and segmentation[J]. Computer Vision Systems, 2008: 66-75.
[11]	Cheng M M, Zhang G X, Mitra N J. Global contrast based salient region detection[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2011: 409-416.
[12]
[13]	Bruce N, Tsotsos J K. Saliency, attention, and visual Search: an information theoretic approach[J]. Journal of Vision, 2009, 9(3): 1-24.
[14]
[15]
[16]	Radhakrishna Achanta, Appu Shaji, Kevin Smith, et al. SLIC superpixels[R]. EPFL, 2010: 1-14.
[17]
[18]	Xie Y, Lu H. Vision saliency detection based on bayesian model[C]//IEEE International Conference on Image Processing (ICIP), 2011: 653 -656.
[19]	Liu Z, Xue Y, Yan H, et al. Efficient Saliency detection based on Gaussian models[J]. IET Image Processing, 2011, 5(2): 122-131.
[20]
[21]	Meer P, Georgescu B. Edge diction with embedded confidence[C]//IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001, 23(12): 1351-1365.
[22]
[23]	Jin Ting, Zhou Fugen, Bai Xiangzhi. Moving object detection in airborne video using kenel density estimation[J]. Infrared and laser Engineering, 2011, 40(1): 153-158. (in Chinese)金挺, 周付根, 白相志. 利用和密度估计的空基视频运动目标检测[J]. 红外与激光工程, 2011, 40(1): 153-158.
[24]
[25]	Koene A R, Zhaoping L. Feature-specific interactions in salience from combined feature contrasts: evidence for a bottom-up saliency map in V1[J]. Journal of Vision, 2007, 7(7): 1-14.
[26]
[27]	Feng J, Wei Y, Tao L, et al. Salient object detection by composition[C]//IEEE International Conference on Computer Vision, 2011: 2113-2120.
[28]
[29]	Long Yunli, Tang hongbin, Xu Hui, et al. Spatial-temporal fused suppressing of infrared clutter based on adaptive regression Markov model[J]. Infrared and laser Engineering, 2012, 41(3): 791-795. (in Chinese)

[1]	宣斌, 赵泽宇, 罗曜伟, 魏群, 朱倚娴, 王亚军. 宽光谱可见-短波红外成像光学系统设计 . 红外与激光工程, 2023, 52(4): 20220638-1-20220638-8. doi: 10.3788/IRLA20220638
[2]	杨守瑞, 段婉莹, 艾文宇, 陈胜勇. 光场相机建模与畸变校正改进方法 . 红外与激光工程, 2023, 52(1): 20220326-1-20220326-9. doi: 10.3788/IRLA20220326
[3]	解宇恒, 裴丽, 何倩, 常彦彪, 郭智君, 王建帅, 郑晶晶, 宁提纲, 李晶. 多芯光纤折射率与内应力分布重构技术（特邀） . 红外与激光工程, 2022, 51(1): 20210758-1-20210758-6. doi: 10.3788/IRLA20210758
[4]	刘飞, 黄瀚霖, 杨恬, 李文博, 杨炀. 面向狭窄场景的鲁棒多视角配准方法 . 红外与激光工程, 2022, 51(12): 20220114-1-20220114-9. doi: 10.3788/IRLA20220114
[5]	李云辉, 安东阳, 苗中华. 采用张量分解的四摄像机测量系统标定方法 . 红外与激光工程, 2022, 51(9): 20220103-1-20220103-10. doi: 10.3788/IRLA20220103
[6]	宦克为, 李向阳, 曹宇彤, 陈笑. 卷积神经网络结合NSST的红外与可见光图像融合 . 红外与激光工程, 2022, 51(3): 20210139-1-20210139-8. doi: 10.3788/IRLA20210139
[7]	熊芝, 许航, 张刘港, 郭志豪, 伍楚奇, 冯维, 翟中生, 周维虎, 董登峰. 基于加权加速正交迭代算法的相机位姿估计 . 红外与激光工程, 2022, 51(10): 20220030-1-20220030-9. doi: 10.3788/IRLA20220030
[8]	蒋昕昊, 蔡伟, 杨志勇, 徐佩伟, 姜波. 基于YOLO-IDSTD算法的红外弱小目标检测 . 红外与激光工程, 2022, 51(3): 20210106-1-20210106-10. doi: 10.3788/IRLA20210106
[9]	李洋, 王国名, 王颖, 程智, 周维虎, 崔成君. 面向机器视觉测量的液体透镜调焦系统标定方法 . 红外与激光工程, 2022, 51(6): 20210472-1-20210472-10. doi: 10.3788/IRLA20210472
[10]	剪欣, 周泉, 杨天龙. 封闭料场斗轮机智能控制系统关键技术的研究 . 红外与激光工程, 2021, 50(S2): 20200099-1-20200099-8. doi: 10.3788/IRLA20200099
[11]	齐楠楠, 姜鹏飞, 李彦胜, 谭毅华. 基于视觉显著性和目标置信度的红外车辆检测技术 . 红外与激光工程, 2017, 46(6): 604005-0604005(9). doi: 10.3788/IRLA201746.0604005
[12]	周林, 杨甬英, 闫凯, 曹频, 李晨, 吴凡. 玻璃面板油墨厚度无损在线数字化检测系统 . 红外与激光工程, 2017, 46(12): 1217009-1217009(7). doi: 10.3788/IRLA201746.1217009
[13]	彭志勇, 王向军, 卢进. 窗口热辐射下基于视觉显著性的红外目标检测方法 . 红外与激光工程, 2014, 43(6): 1772-1776.
[14]	郭惠楠, 曹剑中, 王华, 张建, 杨洪涛. 高动态范围数字相机sRGB色彩空间颜色管理 . 红外与激光工程, 2014, 43(S1): 238-242.
[15]	马军, 张鹰, 邸男, 聂真威. 手眼相机位姿测量精度理论分析及验证 . 红外与激光工程, 2014, 43(12): 4094-4099.
[16]	付小宁, 王洁. 基于三点虚拟圆的被动测距 . 红外与激光工程, 2014, 43(9): 3042-3045.
[17]	王向军, 万子敬, 王鑫, 刘世廷, 文鹏程. 无人机地面目标实时自主视觉定位 . 红外与激光工程, 2014, 43(2): 615-619.
[18]	吴晓. LED芯片粗精定位系统 . 红外与激光工程, 2013, 42(9): 2478-2484.
[19]	孙雪晨, 姜肖楠, 傅瑶, 韩诚山, 文明. 基于机器视觉的凸轮轴表面缺陷检测系统 . 红外与激光工程, 2013, 42(6): 1647-1653.
[20]	纪超, 刘慧英, 邵刚, 孙景峰. 基于生物激励计算模型在图像显著性提取中的研 . 红外与激光工程, 2013, 42(3): 823-828.

点击查看大图

计量

文章访问数: 340
HTML全文浏览量: 54
PDF下载量: 115
被引次数: 0

基于超像素的物体似然概率计算模型研究

1. 西北工业大学自动化学院,陕西西安 710072

作者简介:
纪超（1987-），男，博士生，主要从事机器视觉与图像处理方面的研究。Email：dachao9898@163.com；刘慧英（1956-），女，教授，博士生导师，博士，主要从事机器视觉与图像处理，计算机控制及网络控制等方面研究。Email：lhy2005@nwpu.edu.cn

纪超（1987-），男，博士生，主要从事机器视觉与图像处理方面的研究。Email：dachao9898@163.com；刘慧英（1956-），女，教授，博士生导师，博士，主要从事机器视觉与图像处理，计算机控制及网络控制等方面研究。Email：lhy2005@nwpu.edu.cn

收稿日期: 2013-03-10
修回日期: 2013-04-25
刊出日期: 2013-11-25

基金项目:

航空基金资助课题（2012ZC53042）

中图分类号: TP911.73

关键词:

摘要: 提出基于超像素建立物体似然概率模型来检测图像的显著区域。首先根据显著性原理和物体的自然属性分析影响物体显著度大小的因素；然后使用SLIC算法把图像分成K个超像素，并根据纹理、颜色、梯度特征信息建立不同准则下显著物体概率的计算模型：包括类内紧凑性、颜色空间分布估计以及边缘连续性；再结合细胞调节和指数函数的特征对每个准则下的显著物体概率组合得到物体的似然概率；最后利用该算法在较复杂的场景中对显著区域进行提取实验，证明该算法比其他算法更高效。