光学精密工程
光學精密工程
광학정밀공정
OPTICS AND PRECISION ENGINEERING
2015年
3期
819-826
,共8页
贾松敏%徐涛%董政胤%李秀智
賈鬆敏%徐濤%董政胤%李秀智
가송민%서도%동정윤%리수지
混合模型%特征提取%改进显著性区域提取%脉冲耦合神经网络(PCNN)%点火脉冲%二值化
混閤模型%特徵提取%改進顯著性區域提取%脈遲耦閤神經網絡(PCNN)%點火脈遲%二值化
혼합모형%특정제취%개진현저성구역제취%맥충우합신경망락(PCNN)%점화맥충%이치화
hybrid model%feature extraction%Improved Salient Region Extraction (ISRE)%Pulse Coupled Neural Network(PCNN)%ignition pulse%binarization
由于仅考虑颜色等视觉对比信息的视觉显著性提取模型不符合人眼生物学过程,本文提出了一种基于混合模型的改进显著性区域提取(ISRE)方法.该混合模型由显著性滤波算法和改进脉冲耦合神经网络(PCNN)算法构成.首先,利用显著性滤波器算法获得原图像的初始显著性图(OSM)和亮度特征图(IFM),用IFM作为PCNN的输入神经元;然后,进一步对PCNN点火脉冲输入进行改进,即对PCNN内部神经元与OSM的二值化显著性图进行点乘,确定最终点火脉冲输入,以获得更加准确的点火范围;最后,通过改进后的PCNN多次迭代,完成显著性二值化区域提取.基于1 000张标准图像数据库进行的实验结果显示:在视觉效果和客观定量数据比对两方面,本算法均优于现有的5种显著性提取方法,平均查准率为0.891,平均召回率为0.808,综合指标F值为0.870.在真实环境实验中,所提算法获得了精确的提取效果,进一步验证了本算法具有较高的准确性和执行效率.
由于僅攷慮顏色等視覺對比信息的視覺顯著性提取模型不符閤人眼生物學過程,本文提齣瞭一種基于混閤模型的改進顯著性區域提取(ISRE)方法.該混閤模型由顯著性濾波算法和改進脈遲耦閤神經網絡(PCNN)算法構成.首先,利用顯著性濾波器算法穫得原圖像的初始顯著性圖(OSM)和亮度特徵圖(IFM),用IFM作為PCNN的輸入神經元;然後,進一步對PCNN點火脈遲輸入進行改進,即對PCNN內部神經元與OSM的二值化顯著性圖進行點乘,確定最終點火脈遲輸入,以穫得更加準確的點火範圍;最後,通過改進後的PCNN多次迭代,完成顯著性二值化區域提取.基于1 000張標準圖像數據庫進行的實驗結果顯示:在視覺效果和客觀定量數據比對兩方麵,本算法均優于現有的5種顯著性提取方法,平均查準率為0.891,平均召迴率為0.808,綜閤指標F值為0.870.在真實環境實驗中,所提算法穫得瞭精確的提取效果,進一步驗證瞭本算法具有較高的準確性和執行效率.
유우부고필안색등시각대비신식적시각현저성제취모형불부합인안생물학과정,본문제출료일충기우혼합모형적개진현저성구역제취(ISRE)방법.해혼합모형유현저성려파산법화개진맥충우합신경망락(PCNN)산법구성.수선,이용현저성려파기산법획득원도상적초시현저성도(OSM)화량도특정도(IFM),용IFM작위PCNN적수입신경원;연후,진일보대PCNN점화맥충수입진행개진,즉대PCNN내부신경원여OSM적이치화현저성도진행점승,학정최종점화맥충수입,이획득경가준학적점화범위;최후,통과개진후적PCNN다차질대,완성현저성이치화구역제취.기우1 000장표준도상수거고진행적실험결과현시:재시각효과화객관정량수거비대량방면,본산법균우우현유적5충현저성제취방법,평균사준솔위0.891,평균소회솔위0.808,종합지표F치위0.870.재진실배경실험중,소제산법획득료정학적제취효과,진일보험증료본산법구유교고적준학성화집행효솔.