چکیده:
یکی از مراحل پردازشی مهم در سیستم بینایی انسان آشکارسازی نقشه برجستگی یک صحنه می‌باشد. با توجه به اینکه نقشه برجستگی تصویر می‌تواند در الگوریتم‌های مانند بخش‌بندی، فشرده‌سازی و بازیابی تصویر کاربرد داشته باشد، ارائه یک مدل کارآمد برای تشخیص برجستگی مورد توجه محققین قرار گرفته است. علیرغم اینکه تاکنون کارهای زیادی در این زمینه انجام شده است، اما تاکنون یک مدل موثر و کارآمد که بتواند با محاسبات کم نقشه برجستگی تصویر را آشکار کند، ارائه نشده است. برای این منظور، ما یک الگوریتم ساده و تحت نظارت برای شناسایی نقشه برجستگی با استفاده از میدان تصادفی شرطی (CRF) و نشانه‌های برجستگی پیشنهاد می‌کنیم. در روش پیشنهادی برای آموزش CRF از ویژگی‌های کنتراست محلی، مرکز سوگیری و پس‌زمینه‌ای استفاده شده است، علاوه بر این سه ویژگی برای کارایی بهتر، ویژگی جدیدی مبتنی بر تجزیه ماتریس به کار گرفته شده است. در ادامه CRF با توجه به ویژگی‌های 20 تصویر که به تصویر ورودی نزدیک هستند، آموزش می‌بیند. در نهایت برجستگی تصویر ورودی با توجه به وزن‌های محاسبه شده در مرحله آموزش، نشانه‌های برجستگی تصویر ورودی و مبنای درستی محاسبه می‌شود. روش پیشنهادی در دقت و سرعت اجرای الگوریتم نسبت به سایر روش‌ها برتری دارد.
چکیده انگلیسی:
One of the most important processing steps in the human vision system is the detection of a scene saliency map. Since saliency map can be applied to algorithms such as segmentation, compression and image retrieval, Researchers have focused on providing an efficient model to recognize it. Although a lot of works have been done in this area, the obtained saliency maps are still not satisfying enough. For this purpose, we propose a simple and supervised algorithm to identify the saliency map using a conditional random field (CRF) and saliency cues. In the proposed method, local contrast, center-bias, and backgroundness features have been used for CRF training. Additionally, a new feature based on matrix decomposition has been employed to improve the performance. In the following, CRF has been trained according to the features of 20 images close to the input image. Finally, input image saliency is estimated according to calculated weights in the training phase, input image saliency cues, and ground truths. The proposed method outperforms other methods in terms of algorithm implementation accuracy and speed.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
