显著性检测Context-AwareSaliencyDetection自己编写的matlab代码

图像显著性检测在目标识别、目标跟踪、视觉信息挖掘等研究中具有重要价值,而水下图像研究又是海洋相关学科的基础。文章针对水下图像特性,提出一种结合Retinex图像增强和超像素分割算法的多尺度显著性区域检

论文仅供学习参考使用。 提 出 了一种基于多尺度融合的对象显著性检测方法.首 先 对 图 像 进行平滑处理,过滤掉图像中的高频噪声特征,然 后 对 图 像 进行尺度划分并分别采用不同的方法对不同尺度上

提出一种基于稀疏直方图的区域对比度显著性检测方法。首先，将输入图像分割成多个区域。然后，为每个区域构建颜色直方图。最后，通过计算每个区域与图像中其他区域的颜色对比度来衡量该区域的显著性。区域 ri

尽管基于颜色量化的颜色直方图能够有效地计算颜色对比度，但量化过程本身可能引入误差。这是因为一些相似的颜色可能被量化为不同的值，从而导致结果的不准确性。为了减少这种随机性对显著性值计算产生的噪声干扰，可

一个像素的显著性值用它和图像中其他像素颜色的对比度来定义。例如：图像 I 中像素 K 的显著性值定义为：其中，D 为像素 K 和像素 I 在 Lab 空间的颜色距离度量。

基于DCT域视觉显著性检测的图像缩放算法

提出一种基于超像素时空特征的视频显著性检测方法。所提方法可对图像进行超像素分割, 提取颜色梯度和运动梯度特征, 以构建超像素级时空梯度图。用平均加权测地距离来衡量时空梯度图上每一个超像素相对于其邻域的

针对吸收马尔可夫随机游走方法未能充分抑制显著图的中心背景区域和丢失位于图像边界的显著目标的问题, 提出一种基于流形正则化随机游走的图像显著性检测方法。首先以超像素作为节点对输入图像构造全局图, 通过吸

结合前景先验和背景先验的显著性检测.pdf

提出了一种级联全卷积神经网络的显著性检测方法。网络主要由两层级联的全卷积神经网络组成,第一阶段构建了一个带金字塔池化模块编码-解码架构的全卷积神经网络,金字塔池化模块有效抑制了背景噪声的干扰。第二阶段