- 博客(7)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 显著性检测初步总结
目前相对传统的显著性检测方法主要分为两类：一类是纯数据驱动独立于任务的自底而上的显著性检测方法（主要基于生物学原理），另一类是受意识支配依赖于任务的自顶而下的显著性检测方法（主要基于机器学习）。1）自顶而下的图像显著性检测方法自顶而下的显著性模型一般包括特征学习和显著性计算两个部分。由于人类自顶而下的选择注意由高层的脑部信息所控制，对于同一场景不同的人注
2016-10-28 10:42:56
7132
原创 显著性检测相关论文阅读
目前对于“在一幅图像中什么是显著性”还存在着不是很明确的定义，依然有好多学者在研究这方面的问题和相应的显著性评价指标1.Geodesic Saliency Using Background Priors（2012，ICCV） 在这篇文章中，作者 基于背景先验知识的“boundary and connectivity priors(边界先验性和连通先验性)” 这两个创新点
2016-10-21 10:40:25
1450
1
原创 图像显著性的理解
图像显著性是图像中重要的视觉特征，体现了人眼对图像的某些区域的重视程度。自从1998年Itti的工作以来，产生了大量的显著性映射方法，图像显著性也广泛应用于图像压缩、编码、图像边缘和区域加强、显著性目标分割和提取等. 对于一幅图像来说，用户只对图像中的部分区域感兴趣，这部分感兴趣的区域代表了用户的查询意图，而多数剩余的不感兴趣区域则与用户查询意图无关.显著区域是图像中最能引起用户兴趣
2016-10-21 10:35:53
36052
1
原创 基于opencv的图像去雾处理
去雾算法参考了一篇论文：Kaiming He, Jian Sun, Xiaoou Tang. Single Image Haze Removal Using Dark Channel Prior大致内容是提出了一个叫做暗原色先验的东西来对有雾图像进行处理，十分巧妙，有兴趣者可以看看。这里使用OpenCV实现文中的去雾算法，然而论文提到的soft matting未在本程序中实现。
2016-10-20 15:28:21
2651
原创 烟雾或者火焰检测方法
1 Deep Learning很热，所以大家都用这个做图像处理，可以理解，好发论文嘛。我也用过，发现学习速度太慢，不大实用，如果不是很难（前景和背景对比度低，或者干扰很严重），常用的图像处理方法就可以了。2 图像分割，可以用阈值法、区域生长、边缘检测、数学形态学的分水岭、小波变换，这些我都用过，各有所长吧，还有一些我没有用过的，就不推荐了。我看烟雾边缘缺乏方向性，估计边缘检测不是很好用。建议你
2016-10-17 15:22:23
14214
1
转载 显著性检测研究现状
原文 http://blog.csdn.net/huangbo10/article/details/19788547关于显著度的研究是从生物研究发展而来，早期比较重要的工作是C.Koch与S.Ullman做的，时间可以追溯到1985年。 显著度的获取方式主要有两种：自上而下，从高层语义入手，其实目标检测等等也可以归入这一类中；更普遍的是自下而上，从底层特征入手。直到现在，第二种自下而上的
2016-10-11 10:38:57
3976
原创 显著性检测部分代码链接
本文就现有的资源进行链接，便于查找和整理。/****************************************************************新加坡最近利用频率进行saliency提取的方法：https://sites.google.com/site/leofangyuming//****************************
2016-10-10 10:10:30
2515
2
Fire Detection
2016-04-22
FireDetection
2016-04-22
场景图像分类技术综述
2016-04-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人