摘要: 摘 要: 针对传统显著性检测算法分割精度低以及基于深度学习的显著性检测算法对像素级人工注释数据依赖性过强等不足,提出一种基于图割精细化和可微分聚类的无监督显著性目标检测算法。该算法采用由“粗”到“精”的思想,仅利用单张图像的特征便可以实现精确的显著性目标检测。首先,利用Frequency-tuned算法根据图像自身的颜色和亮度对比信息得到显著粗图,然后根据其统计特性进行二值化并结合中心优先假设得到显著目标的候选区域,进而利用基于单图像进行图割的Grab cut算法对显著目标精细化分割。最后,为克服背景与目标极为相似时检测不精确的困难,引入具有良好边界分割效果的无监督可微分聚类算法对单张显著图进一步优化。所提出的算法在ECSSD、SOD数据集中进行测试并与现有的7种算法进行对比,得到的优化显著图更接近于真值图,在ECSSD和SOD数据集上分别实现了14.3%和23.4%的平均绝对误差。
中图分类号: