一、作者
刘方坚 李媛(中国科学院空天信息创新研究院 北京理工大学机电学院 ) (雷达学报)
二 、原文地址
2021 雷达学报
三、主要内容
3.1 整体流程图
3.2 基于密度峰值聚类的场景划分
3.3 不同场景下的显著性检测方法
3.3.1 谱残差(用于近岸场景)
谱残差方法主要在频域完成计算。首先,将图像通过傅里叶变换映射到频域中,并提取其幅度和相位响应。
a = A ( ψ ( x ) ) p = P ( ψ ( x ) ) a=A( \psi(x) )\\ p=P(\psi (x)) a=A(ψ(x))p=P(ψ(x))
其中, ψ \psi ψ表示傅里叶变换,A和P分别表示所获取的幅度谱和相位谱。然后对其做log变换,得到log频谱。并计算两者之差,即为频域下的显著性目标。
l = l o g ( a ) r = l − h × l l=log(a)\\ r=l-h \times l l=log(a)r=l−h×l
其中,h表示均值滤波器,r表示所得残差谱。最后,将残差谱r和相位谱p通过逆傅里叶变换转化回时域,再通过非线性滤波器得到显著性图。
s = h × ψ − 1 [ e x p ( r + p ) ] 2 s=h \times {\psi}^{-1}[exp(r+p)]^2 s=h×ψ−1[exp(r+p)]2
3.3.2 上下文感知 (海上场景)
它主要依据4个原则完成显著性检测:局部低层次特征、全局特征、视觉特征和高层次特征。首先,将图像分成多个子块,将目标块 p i p_i pi与Lab颜色空间中其他块 p j p_j pj进行比较。若 p j p_j pj块与其他块的差异越大,显著性越明显。计算公式为:
d ( P i , P j ) = d c ( P i , P j ) 1 + c ⋅ d p ( P i , P j ) d(P_i,P_j)=\frac{d_c(P_i,P_j)}{1+c \cdot d_p(P_i,P_j)} d(Pi,Pj)=1+c⋅dp(Pi,Pj)dc(Pi,Pj)
其中, d c d_c dc是欧式颜色距离, d p d_p dp 是欧式空间距离,c为常数参量。因此,可以获得与 p i p_i pi距离最小的前N(通常取N为65)个图像块。且通过计算其与图像块 p i p_i pi的差异,显着性公式定义为
s i = 1 − e x p { − 1 n ∑ n = 1 N d ( p i , p j ) } s_i=1-exp\{ - \frac{1}{n} \sum_{n=1}^N d(p_i, p_j) \} si=1−exp{−n1n=1∑Nd(pi,pj)}
另一方面,N能够调节显著性区域范围,适当调整能够有效提升检测效果。同时,多尺度结果平均值能够增强显著性图像对比度。使R={ r 1 , r 2 , r 3 ⋯ r M r_1,r_2,r_3 \cdots r_M r1,r2,r3⋯rM}表示图像块 p i p_i pi所需尺度集合。则多尺度显著性结果增强方法可表示为:
s i ˉ = 1 M ∑ r ϵ R s i r \bar{s_i} = \frac{1}{M} \sum_{r\epsilon R}s_i^r siˉ=M1rϵR∑sir
此外,还需对以上结果进行上下文校正。设置一个阈值,若某像素显著性超过该阈值,则认为该像素属于显著性区域。显著性区域外像素的显著性值则通过计算其与最近显著区像素的加权欧氏距离获得,表示为:
s i ^ = s i ^ ( 1 − d f ( i ) ) \hat{s_i}=\hat{s_i}(1-d_f(i)) si^=si^(1−df(i))
其中, 为像素 d f ( i ) d_f(i) df(i)与最近显著像素之间的欧式距离。该步能增加显著目标邻域显著值,降低背景区域显著值,从而提升显著性检测效果。
3.3.3 多尺度空洞卷积
四、结论
本文算法在保证具有较高检测精确度的同时,也能有效降低检测时间。且对于不同尺寸、形态的目标及不同环境背景下均能实现较好的检测效果。该方法能够适应各种实时性高的检测应用任务。