针对具有多个显著目标且背景较为复杂的图像,提出了一种基于全连接图和稀疏主成分分析(sparse principal component analysis,sPCA)的显著性检测方法.首先,在不同的尺度空间上利用目标先验知识快速获取包含预选显著目标的空间位置信息,...针对具有多个显著目标且背景较为复杂的图像,提出了一种基于全连接图和稀疏主成分分析(sparse principal component analysis,sPCA)的显著性检测方法.首先,在不同的尺度空间上利用目标先验知识快速获取包含预选显著目标的空间位置信息,同时,在超像素分割的基础上构造全连接图,并计算超像素级的显著图.然后,利用目标先验知识提取并优化超像素显著图的显著性区域,采用稀疏主成分分析提取优化后的显著性像素点的主要特征,获取相应尺度的显著图.最后,将多个尺度下的显著图进行融合得到最终的显著图.该方法充分利用了超像素与像素显著性计算的优势,在提高检测速度的同时获得更高的检测精度.在公开的多目标数据集SED2和HKU_IS上进行实验验证,结果表明:该方法能够有效检测出复杂背景下的多个显著目标.展开更多
GPCA(Generalized Principal Component Analysis)是近几年提出的一种数据聚类和降维方法,它通过将样本聚类为不同的子空间得到样本的低维表达.GPCA方法已经被应用于图像分割、图像聚类等问题.原有的GPCA算法具有指数计算复杂度,很难应...GPCA(Generalized Principal Component Analysis)是近几年提出的一种数据聚类和降维方法,它通过将样本聚类为不同的子空间得到样本的低维表达.GPCA方法已经被应用于图像分割、图像聚类等问题.原有的GPCA算法具有指数计算复杂度,很难应用于高维数据的实际处理.文中针对此问题,提出了基于子空间搜索的SGPCA算法,将聚类问题分解为单个平面的单个垂直向量的搜索问题,对不同子空间分别搜索,从而实现多项式复杂度算法.实验表明,新方法不仅计算复杂度低,而且对噪声的鲁棒性也更强.展开更多
基金Project supported by the National Natural Science Foundation of China(No.60975024,No.61373084)the Shanghai Natural Science Foundation(No.09ZR1412300)the "863" National High Technology Research and Development Program of China(No.2013AA01A603)
文摘针对具有多个显著目标且背景较为复杂的图像,提出了一种基于全连接图和稀疏主成分分析(sparse principal component analysis,sPCA)的显著性检测方法.首先,在不同的尺度空间上利用目标先验知识快速获取包含预选显著目标的空间位置信息,同时,在超像素分割的基础上构造全连接图,并计算超像素级的显著图.然后,利用目标先验知识提取并优化超像素显著图的显著性区域,采用稀疏主成分分析提取优化后的显著性像素点的主要特征,获取相应尺度的显著图.最后,将多个尺度下的显著图进行融合得到最终的显著图.该方法充分利用了超像素与像素显著性计算的优势,在提高检测速度的同时获得更高的检测精度.在公开的多目标数据集SED2和HKU_IS上进行实验验证,结果表明:该方法能够有效检测出复杂背景下的多个显著目标.
文摘GPCA(Generalized Principal Component Analysis)是近几年提出的一种数据聚类和降维方法,它通过将样本聚类为不同的子空间得到样本的低维表达.GPCA方法已经被应用于图像分割、图像聚类等问题.原有的GPCA算法具有指数计算复杂度,很难应用于高维数据的实际处理.文中针对此问题,提出了基于子空间搜索的SGPCA算法,将聚类问题分解为单个平面的单个垂直向量的搜索问题,对不同子空间分别搜索,从而实现多项式复杂度算法.实验表明,新方法不仅计算复杂度低,而且对噪声的鲁棒性也更强.
