基于结构相似度的视觉显著性检测方法

J4 ›› 2013, Vol. 35 ›› Issue (10): 181-185.

基于结构相似度的视觉显著性检测方法

李崇飞1,高颖慧2,卢凯1,曲智国2

(1.国防科学技术大学计算机学院，湖南长沙 410073;2.国防科学技术大学 ATR国家重点实验室，湖南长沙 410073)

收稿日期:2011-08-11 修回日期:2011-11-21 出版日期:2013-10-25 发布日期:2013-10-25
基金资助:
国家自然科学基金资助项目（61003075，61170261）；国防预研基金项目（9140A01010309KG01）

Visual salient region detection method
based on structural similarity

LI Chongfei1,GAO Yinghui2,LU Kai1,QU Zhiguo2

(1.School of Computer Science,National University of Defense Technology,Changsha 410073;2.ATR National Laboratory,National University of Defense Technology,Changsha 410073,China)

Received:2011-08-11 Revised:2011-11-21 Online:2013-10-25 Published:2013-10-25

摘要/Abstract

摘要：

基于Koch神经生物学框架和结构相似度理论，提出了一种新的视觉显著性检测方法。该方法利用结构相似度对人类视觉系统的高层次抽象，通过新的CenterSurround算子（自相似算子）对自然图像的显著程度进行度量，建立了多特征视觉显著性模型。该模型避免了对视觉系统建模时的复杂性问题，通过结构相似度的黑匣子效应对视觉系统进行抽象，同时利用Koch神经生物学框架的特征融合理论加强提取效果。实验结果表明，该方法可以有效检测自然图像的显著区域，提取的显著区域对比度较高，并且可以克服Itti方法中由于邻近插值导致的马赛克现象，在显著区域边缘提取和抗噪等方面性能也较好。

关键词: 神经生物学框架, 结构相似度, 特征融合, 显著图

Abstract:

Based on Koch’s neural architecture and the philosophy of structural similarity, a novel visual salient region detection method is proposed. This method constructs a multifeature visual saliency model by using SSIM’s high abstraction for HVS, and it uses a new centersurround operator to measure the saliency degree of the natural images. The experimental results show that our method can detect the salient region effectively. In comparison to Itti’s method, our method overcomes the weakness of Mosaic caused by neighboring interpolation, and it shows better performance on contour detection and antinoise.

Key words: neural architecture;structural similarity;feature integration;saliency map

李崇飞1,高颖慧2,卢凯1,曲智国2. 基于结构相似度的视觉显著性检测方法[J]. J4, 2013, 35(10): 181-185.

LI Chongfei1,GAO Yinghui2,LU Kai1,QU Zhiguo2. Visual salient region detection method
based on structural similarity [J]. J4, 2013, 35(10): 181-185.

[1]	马金林, 闫琦, 马自萍. 西夏文字的多层掩码识别方法[J]. 计算机工程与科学, 2024, 46(12): 2227-2238.
[2]	付燕, 杨旭, 叶鸥. 基于CNN和Transformer特征融合的烟雾识别方法[J]. 计算机工程与科学, 2024, 46(11): 2045-2052.
[3]	刘晓华, 徐茹枝, 杨成月. 一种基于多特征融合嵌入的中文命名实体识别模型研究[J]. 计算机工程与科学, 2024, 46(08): 1473-1481.
[4]	李新洁, 王文君, 董凌, 赖华, 余正涛, 高盛祥, . 基于多特征交互融合的老挝语无监督音素分割方法[J]. 计算机工程与科学, 2024, 46(05): 937-944.
[5]	王谢中, 陈旭, 景永俊, 王叔洋. 基于异构图神经网络的半监督网站主题分类[J]. 计算机工程与科学, 2024, 46(04): 635-646.
[6]	余天赐, 高尚. 融合多结构信息的代码注释生成模型[J]. 计算机工程与科学, 2024, 46(04): 667-675.
[7]	杨晓强, 黄加诚. 基于动态定位和特征融合的多分支细粒度识别方法[J]. 计算机工程与科学, 2024, 46(02): 253-263.
[8]	江志鹏, 王自全, 张永生, 于英, 程彬彬, 赵龙海, 张梦唯. 基于改进Deformable DETR的无人机视频流车辆目标检测算法[J]. 计算机工程与科学, 2024, 46(01): 91-101.
[9]	李卓璇, 周亚同. 改进DBNet的电商图像文字检测算法研究[J]. 计算机工程与科学, 2023, 45(11): 2008-2017.
[10]	董子平, 陈世国, 廖国清. 基于YOLOv5s的密集多人脸检测算法[J]. 计算机工程与科学, 2023, 45(10): 1838-1846.
[11]	曾凡锋, 王春真, 李琛. 基于深浅层特征融合的无监督视频摘要算法研究[J]. 计算机工程与科学, 2023, 45(09): 1602-1610.
[12]	崔克彬, 崔叶微. 基于卷积和Transformer的断路器动触头跟踪方法研究[J]. 计算机工程与科学, 2023, 45(07): 1236-1244.
[13]	濮子俊, 张寿明. 基于特征融合与Transformer模型的声音事件定位与检测算法研究[J]. 计算机工程与科学, 2023, 45(06): 1097-1105.
[14]	邓姗姗, 黄慧, 马燕. 基于改进Faster R-CNN的小目标检测算法[J]. 计算机工程与科学, 2023, 45(05): 869-877.
[15]	孙琪, 翟锐, 左方, 张玉涛, . 基于部分卷积和多尺度特征融合的人脸图像修复模型[J]. 计算机工程与科学, 2023, 45(02): 304-312.