显著性检测

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

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

针对当前图像显著性检测算法存在的检测不准确和边缘不清晰问题,提出基于改进的贝叶斯公式融合算法。采用compactness先验得到初级显著图,并以初级显著图作为训练样本,采用多核学习方式得到次级显著图,

针对增强现实系统在复杂环境中跟踪注册稳健性不足以及特征搜索空间大的问题,提出一种结合显著性检测的混合跟踪注册方法。首先,利用均值漂移迭代运算预测候选目标位置,建立峰值位于目标中心的二维高斯函数,生成融

针对当前图像显著性检测算法存在的边缘检测不清晰和内部不均匀的问题,提出一种基于无向权重图和多特征传播的图像显著性检测方法。首先以超像素为节点构建无向图,并改进边界超像素的连接方式。在改进图的基础上利用

检测显著图，并图象分割，mycodeisintegratedwithgraphcutsmethod

matlab版图像显著性特征提取技术！算法简单易行，耗时短！