FT频率调谐法的图像显著性检测，并对显著图进行分割

论文仅供学习和参考。 提出了一种基于目标识别与显著性检测的图像场景多对象分割方法。该方法的步骤包括:在图像训 练 集 上训练语义对象的检测器,用来检测输入图像中对象的位置,标定对象的包围盒;对输入的图

论文仅供学习参考使用。 本文的重点研究内容是基于区域的图像分割及视觉显著性算法。对于图像分割算法,本文主要分析分割算法的不足,通过改进算法的不足,提出一种基于像素袋的图像分割算法。本文分别从主观视觉角

亲测可用，需要配置opencv,运行无误后输入当前文件夹图片名称即可出现显著图

基于背景连续性先验知识,提出了一种新的显著性检测方法。该方法首先对图像进行超像素分割,寻找任意一组超像素间的最短长度路径,并根据路径中的超像素与路径首尾两端的超像素的色彩差异计算出超像素的前景权重。经

有Image和二值化的GroundTruth,含有1500幅图像，PASCAL-S只含有850幅图像，属于PASCAL1500数据库的子集

显著性检测ASD（MSRA1000）数据集，包含1000张原图，及对应的标注图。标注图与原图尺寸相一致。

显著性检测数据集SOD和SED2，其中包含SOD300张原始图片及GT标注图和SED2100张原始图片及GT标注图

显著性检测是计算机视觉的一个重要分支，而在深度学习的训练阶段、显著性检测算法的评价阶段等都需要大量有标注信息的数据集。常用的显著性检测数据集DUT-OMRON(5166)和他们的GT图

针对目标在图像边界上带来的检测误差,提出了边界显著性算法。首先在多尺度下对图像进行超像素分割,计算边界差异,估计其边界显著性。而后对所有超像素进行模式挖掘,得到显著性种子,并与边界显著性相结合。最后通

显著性特征提取算法，和VC6.0++作为开发环境，设计实现两种有代表性的视觉显著性计算模型，并利用这种模型计算自然图像分析实验结果。