低对比度图像显著目标检测方法研究.pdfVIP

低对比度图像中基于显著特征的显著目标检测

1,211,21,2

,,,付晓薇

12

科技大学计算机科学与技术学院，市，430081。省智能信息处理与实

时工业系统重点，科技大学，市，430081。

具有主动环境感知能力的显著性计算模型可广泛应用于

图像分割、图像压缩、图像检索等领域。传统的显著性计

算模型依赖于手工设计的低层特征，如颜色或对比度。由

于低对比度图像中缺乏明确的特征来解释显著，这

些模型在低光照场景下巨大。本文提出了一种新

的方法，用于从低对比度图像中检测显著性目标。该方法图1。顶行是带有手动标注的矩形显著目标的原始

基于低层特征，探索低对比度图像中最显著的显著性信低对比度图像。底行是通过所方法获得的超像素

息。已进行了广泛的实验，以评估所提出方法相对于最先级显著图。

进的显著性计算模型的性能。

已有若干显著性计算模型被提出，用于学习用于目

标检测的自适应特征。例如，高等人[8]在复杂场景中

进行了目标检测。该模型集成了感显著性目标检测的

索引术语——低对比度图像，超像素，显著目标检测，显学习、最优特征选择以及目标检测器。钱等人[9]利用

著图稀疏编码原理，选择最优对比度特征来构建显著性模型。

卢等人[10]通过结合前注意显著性机制和中层视觉特

1.引言征，提出了用于目标检测的最优显著性学习方法。然

显著目标检测旨在识别出给定图像中最重要的部分。在而，这些方法通常是在白天环境下设计的，在低对比度图

过去的几十年中，通过利用显著目标检测模型，各种应像中可能失效。

用得到了发展，如图像分割[1],图像压缩[2],图像检索，人[11]分析了室外夜间环境中物体的对

[3],等等。比度变化。通过利用空间邻的数据关联可以预测移动

传统的显著性计算模型在白天环境下具有良好的环

物体。达武迪安[12]讨论了夜间物体视觉显著性的影响

境感知能力，能够实现较优的检测效果。这些模型通常

因素，并分析了夜间物体显著性与背景照明复杂度之间的

依赖于手工设计的低层特征，如颜色[4‑5],亮度[6],边关系。韩等人[13]提出了一种多特征对比度加权抑制模

缘[7],等。然而，传统的显著性计算模型在夜间场景下型和模糊连接促进模型，以实现夜视图像中的轮廓检测。

巨大。夜间场景中的低对比度特性使得物体的

然而，这些模型的性能依赖于实验选择的参数和阈值，可

可见辐射降低到非常低的水平。如图1所示，此类场景

能无法正确解释低对比度图像中的显著。

下捕获的图像