Frequency-tuned Salient Region Detection:一种快速显著物体检测算法

Frequency-tuned Salient Region Detection:一种快速显著物体检测算法

原论文名称:Frequency-tuned Salient Region Detection

原作者:Radhakrishna Achantay, Sheila Hemamiz, Francisco Estraday, and Sabine S¨usstrunk。(EPFL)

出处:CVPR09。

今天推荐的算法有关显著物体的检测。在机器视觉应用中,我们经常需要快速的定位场景中的主体区域。在没有任何先验知识的条件下,显著性提供了很好的度量来初始获取视觉的焦点。而利用显著性可以反过来对相机本身进行调节设定参数,或者对画面进行分割获取初始的兴趣区域。

本文所提及的算法在论文中被称为IG算法,其本质为一个DoG带通滤波过程,只是一端被设置为图像的直流分量,其显著图的计算为:

其中为图像的直流分量,即对应每个颜色通道的均值。 为高斯滤波后的图像。

IG算法的纯c的实现:https://github.com/UnilVision/visionbase/tree/master/saliency/IG

结果1:结果1

结果2:结果1

关于显著性检测这个命题再说几句废话吧。本文说介绍的算法和Ming-Ming Cheng的Global Contrast based Salient Region Detection等方法均属于无监督算法,通过视觉特征快速的确定画面内较为明显的区域。而另一个算法分支应用了机器学习,通过学习样本来预测新图像中的显著区域。

从单个类别,小样本的数据集上看,后者确实是有优势的。但是问题是在大多数情况下,我们需要的显著性检测是需要非常快速的,例如在数码相机之中自动确定显著区域并进行定焦,在图像识别算法前作为独立特征进行提取,快速确认焦点区域生成缩略图等等。而后者的思路更像Object Detection+Segmentation,也注定了其效率很难超越前者。而在实际的项目中,可以考虑的原则就是如果是针对某个特定物体的,那么后者也许会带来很好的效果,否则就使用第一类算法。

[原创文章,转载请注明出处:http://blog.csdn.net/unilvision/article/details/8970591


评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值