应用奇异值分解的海上场景显著性检测

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (23): 161-164.

• 图形、图像、模式识别 • 上一篇下一篇

应用奇异值分解的海上场景显著性检测

任蕾1，施朝健2，冉鑫2

1.上海海事大学电子工程系，上海 201306
2.上海海事大学航海系，上海 201306

出版日期:2012-08-11 发布日期:2012-08-21

Saliency detection for sea visual scene using SVD

REN Lei1, SHI Chaojian2, RAN Xin2

1.Department of Electronics Engineering, Shanghai Maritime University, Shanghai 201306, China
2.Department of Navigation, Shanghai Maritime University, Shanghai 201306, China

Online:2012-08-11 Published:2012-08-21

摘要/Abstract

摘要： 提出一种应用奇异值分解的海上场景显著性检测方法。提取海上场景图像中颜色和亮度各通道特征，并对各其分别进行奇异值分解，根据设定的阈值，选择各特征的典型分量。各特征的粗显著图定义为各特征和其典型分量的差。为进一步去除海杂波等干扰，在粗显著图中，计算其空间域全局显著性，以此形成显著性图。得到的颜色通道和亮度通道显著图通过线性合并为总显著图。利用海上场景图像进行了实验，结果表明提出方法的有效性。

关键词: 奇异值分解, 显著性检测, 海上场景, 空间域全局显著性

Abstract: A saliency detection method for sea visual scene using Singular Value Composition（SVD） is proposed. Color and intensity features of sea visual scenes are extracted. SVD is conducted on each feature and the typical components are obtained based on certain threshold. The rough saliency map for each feature is defined as the difference between each feature and the typical components. To remove the remaining sea clutters, global saliency in spatial domain for rough saliency map is computed to provide the precise saliency map. The color and intensity saliency maps are linearly combined to achieve the master map. Experiments are made with images to show the validity and effectiveness.

Key words: Singular Value Decomposition（SVD）, saliency detection, sea visual scene, global saliency in spatial domain

任蕾1，施朝健2，冉鑫2. 应用奇异值分解的海上场景显著性检测[J]. 计算机工程与应用, 2012, 48(23): 161-164.

REN Lei1, SHI Chaojian2, RAN Xin2. Saliency detection for sea visual scene using SVD[J]. Computer Engineering and Applications, 2012, 48(23): 161-164.

[1]	潘沛鑫，潘中良. 结合显著性的主动轮廓图像分割[J]. 计算机工程与应用, 2021, 57(8): 225-230.
[2]	贺钰博，刘坤. 基于卷积神经网络的海面显著性目标检测[J]. 计算机工程与应用, 2021, 57(6): 108-116.
[3]	蔡冬丽，钟清华，朱永升，廖金湘，韩劢之. 三维输入卷积神经网络脑电信号情感识别[J]. 计算机工程与应用, 2021, 57(5): 161-167.
[4]	陈维婧，周萍，杨海燕，杨青，陈睿. 通道-空间联合注意力机制的显著性检测模型[J]. 计算机工程与应用, 2021, 57(19): 214-219.
[5]	杨信民，董红斌，谭成予，周雯. 采用奇异值分解和信息增益的树突状细胞模型[J]. 计算机工程与应用, 2021, 57(15): 156-162.
[6]	左保川，张晴. 采用特征引导机制的显著性检测网络[J]. 计算机工程与应用, 2021, 57(14): 201-208.
[7]	时斐斐，张松龙，彭力. 结合边缘特征先验引导的深度卷积显著性检测[J]. 计算机工程与应用, 2020, 56(14): 199-206.
[8]	常振，段先华，鲁文超，彭媛. 基于多尺度的贝叶斯模型显著性检测[J]. 计算机工程与应用, 2020, 56(11): 207-213.
[9]	赵青，冶继民，常芳丽. 两正定矩阵联合对角化盲分离算法[J]. 计算机工程与应用, 2019, 55(7): 214-219.
[10]	丁华，王晓东，章联军，陈晓爱，赖佩霞. 基于SLIC融合纹理和直方图的图像显著性检测[J]. 计算机工程与应用, 2019, 55(3): 159-166.
[11]	崔丽群，张平，贺情杰，鲁浩. 对比度和细节增强显著性检测方法研究[J]. 计算机工程与应用, 2019, 55(23): 200-208.
[12]	徐屹伟，刘政怡，赵悉超. 基于简单帧选择的显著性检测方法[J]. 计算机工程与应用, 2019, 55(20): 177-183.
[13]	曹浩，陈里里，司吉兵，任君兰. 奇异值分解和稀疏自编码器的轴承故障诊断[J]. 计算机工程与应用, 2019, 55(20): 257-262.
[14]	赵建，张友鹏，赵斌. 基于奇异值分解理论的钢轨断裂检测方法[J]. 计算机工程与应用, 2018, 54(9): 243-250.
[15]	梁新宇1，2，吴建德1，2，黄国勇1，2，孙磊1，2. H∞鲁棒自适应CKF算法在组合导航中的应用[J]. 计算机工程与应用, 2018, 54(9): 251-256.

应用奇异值分解的海上场景显著性检测

Saliency detection for sea visual scene using SVD

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics