一种改进的特点检测方法敦煌壁画中的飞天,中国

文摘

卓越的能力可以被描述为一个项目被发现从其背景在任何特定的场景,和它的目标是估计的可能位置突出的对象。由于凸映射,由当地对比计算功能可以提取和突出边缘部分包括绘画的飞天,在本文中,我们提出了一种改进的方法基于视觉显著frequency-tuned方法检测敦煌壁画中的飞天,中国。这种改进的特点检测方法包括三个重要步骤:(1)图像颜色和灰色通道分解;(2)灰色特征值卷积计算和颜色通道;(3)视觉特点定义基于归一化之前的视觉特点和功能空间的关注。与现有的方法依赖于许多复杂的图像功能,这个建议的方法只使用当地的对比度和空间注意力信息来模拟人的视觉注意力刺激。这种改进的方法导致更有效凸映射方面的计算性能。此外,数据集上的实验结果在敦煌石窟壁画飞天的视觉特点表明,该检测方法是非常有效的与其他五个相比最先进的方法。

1。介绍

在中国传统文化中,佛教在西方(尤其是中国)的佛教历史上发挥了重要的作用。这个链接是通过敦煌石窟壁画,传达的重要价值已被文化研究在各种中国的朝代。保护和维护文化完整性的敦煌石窟壁画对研究人员一直是一个巨大的挑战。数字化、全面保护和虚拟交互的关键方法所采用保护和传播文化体现在敦煌石窟壁画。

飞天是敦煌艺术的一个重要象征,并包含大量的文化信息和内涵,是由各种各样的人,也就是说,飘带,云图腾等等。此外,由于年龄,不同的颜色,和复杂成分图像的飞天,准确提取轮廓具有重要意义在分析敦煌壁画的绘画风格在不同的中国的朝代。此外,由于multioverlap现象存在的一些图像的敦煌石窟壁画,也就是说,以后工作是直接绘在早期作品,分析这些图像的文化含义是更加困难。幸运的是,一种方法,称为卓越检测,可用于分析飞天的不同的绘画风格与不同历史时期的敦煌石窟壁画。飞天和视觉特点之间的关系可以紧密相连的两个重要方面:一方面,视觉特点可以代表这些图像的初始状态没有色素,和凸起敦煌壁画飞天的检测具有十分重要的历史价值,历史学家在帮助确定图像的原始状态的敦煌石窟壁画;另一方面,最后突出的飞天地图计算局部对比度特性可以提取和突出边缘部分与当地惊人的对比;这些部件包括这幅画线起到了至关重要的作用在分析飞天的重要绘画风格。此外,视觉显著检测可用于提取飞天的突出的地区,而这些地区可以代表卓越的绘画的主要思想、设计和阴谋。

与知觉的最具挑战性的问题之一是信息过载。这过载带来了挑战当试图获取有用的信息从图像由于低层特征和高层语义之间的语义鸿沟的概念(1]。视觉注意力的主要特性之一是人类视觉系统(HVS)的重要的和紧凑的信息来自自然场景(2]。及其机制可以减少冗余数据的感知在选择性注意过程中受益。在图像处理领域,显著检测是检测过程中有趣的视觉信息。此外,选定的刺激需要优先,先用最相关的处理和一些不太重要的事情后,它会导致一个序贯治疗的不同部分的视觉场景。因此,卓越检测发现的地区利益,已广泛应用于预测人类视觉注意力,图像质量评估,和许多其他应用程序(3]。卓越检测方法是用于许多领域,包括目标检测、目标识别、图像增强、图像渲染,图像压缩和视频摘要(4]。

许多不同的视觉特点的检测方法提出了不同的研究人员从不同的研究背景。作为先驱,科赫,Ullman,小山5,6)提出了一个非常有影响力的Bioinspired模型和赢家通吃的选择机制来模拟人类的视觉系统。Itti et al。7)派生自底向上和自顶向下的视觉特点使用center-surround差异通过多尺度特性集成。Harel et al。8)提出了一种新的自底向上的视觉特点检测模型,基于视觉特点(GBVS),形成激活地图在某些功能渠道和规范化突出显眼和结合其他地图。刘等人。9)使用条件随机场(CRF)方法有效结合的一套小说功能包括多尺度之下,center-surround直方图,和颜色空间分布来描述突出本地对象,区域和全球。Goferman et al。10]提出了一种新型的卓越模型中,上下文感知特点,基于心理学文献中观察到四原则:当地的低级特征,全局考虑,视觉组织规则和高水平的因素。翟隽和沙11)发明了一种快速计算方法进行像素级的地图使用颜色直方图的图像和一个动态融合技术应用于将时间和空间凸地图。侯和张12]提出了一种光谱剩余视觉显著检测方法来构造相应的凸映射在空间域和提取图像的光谱残余log-spectrum的分析。这是取代了傅里叶变换的相位谱Gopalakrishnan et al。13),因为它是更有效和计算效率。Achanta et al。14)结合的低级特征颜色和亮度检测凸区域的图像,称为frequency-tuned方法。最近,燕et al。15)采用多层分析方法特点线索和最后凸映射产生层次模型。湿婆et al。16)使用一种无监督学习方法注释对象的图像捕获突出地图的兴趣。

由于采用只有少数低级特征的图像,视觉显著frequency-tuned方法的检测结果提出Achanta et al。14)不是很令人满意。在这篇文章中,一个替代方法,直方图结合图像平均和高斯模糊(高),提出了改进frequency-tuned方法。以及结合的特性与灰色的颜色和亮度直方图信息和使用当地和全球平均特征之间的欧氏距离来定义在像素级视觉显著的局部对比度。和最终的视觉特点定义是基于之前视觉特点和空间注意力功能正常化。与现有的方法大都集中于多个图像特性,该方法只关注对比度和空间注意信息的仿真可信度,这些地方对比功能发挥了关键作用突出边缘地区包括绘画的飞天。这允许更有效的计算凸映射和非常有效的性能相比其他五个最先进的方法。这五个特点的最先进的方法检测是翟和沙11),侯和张12),Achanta et al。14程,et al。17),在此称为LC, SR,搞笑,HC,分别和RC。这些算法的选择是基于引用的频率在文学、流行,和品种。

本文的其余部分组织如下:部分2概述该凸起的检测方法中,紧随其后的是一个更详细的描述;部分3介绍了实验结果的验证和比较;最后,部分4为未来的工作包含的结论和建议。

2。拟议的特点检测方法

显著提高检测方法的概况提出了敦煌壁画中的飞天本文图所示1。这种改进的方法包括以下三个重要步骤:(1)图像颜色和灰色通道分解;(2)灰色卷积特性值和颜色通道;(3)视觉特点定义基于正常化之前视觉特点和功能空间的关注。使用这三个步骤,最终确定凸映射的输入图像作为例子,如图所示1。

2.1。分解的颜色和灰色组件从输入图像

普遍公认的研究人员,HVS不同样处理所有观察者所能获得的信息。颜色对比有显著影响的能力来检测图像和突出的地区一直强调在许多以前的作品。例如,奥斯伯格和Rohaly [18)表明,一个强大的影响发生在一个区域的颜色明显不同于它的背景和一些特定颜色(如红色、黄色和蓝色)比其他人更吸引我们的注意力。

对于一个RGB图像,三个颜色通道线性相关。此外,由于每个颜色通道的值无关刺激强度的表示,很难计算颜色强度的差异。使用各种颜色变换公式,其他颜色空间(如溪,实验室,和爱,这是指定的国际照明委员会(CIE))可以从RGB颜色空间。CIE Lab颜色空间是最接近人类视觉感知和感知一致性,在哪里代表亮度信息和匹配人类感知的轻盈,和代表色值,转换公式可以如下所示19]: 在哪里 在本文中,我们利用这种非线性关系映射的颜色通道,,和灰色的直方图信息,模仿人眼的非线性响应。此外,CIE的实验室是应用最广泛和有效的图像的视觉显著特性检测算法,即研究Itti et al。7),Achanta et al。20.),Achanta et al。14),Goferman et al。10程),et al。17杨,et al。21]。

2.2。的Frequency-Tuned凸起检测方法

视觉特点指的是视觉系统的能力(人类或机器)选择从一个图像视觉信息的某些子集进行进一步处理。这种机制作为一个过滤器,只选择相关的信息在当前的上下文中处理行为或任务而忽略其他无关信息4]。Achanta et al。14)定义的五个关键功能卓越检测器能够最大(1)强调突出对象;(2)统一突出整个凸区域;(3)建立明确的突出对象的边界;(4)无视质地,带来的高频噪声,屏蔽构件;和(5)有效地输出全分辨率显著地图。这些函数可以使用当比较另类的视觉显著检测方法。

从图像的角度频率,搞笑的方法(14]表明,输入图像可分为组成低频和高频部分频域。结构的整体部分信息,如轮廓和原始图像的基本成分,反映在低频部分,而纹理等细节和噪声反映在高频部分。在凸起检测部分,整体结构信息包含在低频部分已被广泛用于计算视觉特点。

让和代表了最低频率和最高频率在频域,分别。一方面,为了准确地突出代表潜在的突出对象的整体信息,应该低,它有助于突出整个对象一致和统一。另一方面,为了保持任何潜在的突出对象中包含丰富的语义信息,应该高,而剩余的认识到这一事实的最高的元素在频域应该被丢弃,因为他们最有可能是由于纹理或噪声部分。

Achanta et al。14)选择高斯分布的差异(狗)过滤器(3)带通滤波来捕获频率限制和。这只狗过滤器也被用于兴趣点检测(22)和卓越检测(7,8]。狗过滤器被定义为 在哪里和(高斯函数的标准偏差。

狗过滤器是一个简单的带通滤波器滤波器通带宽度及其控制的比例:。狗过滤器广泛用于边缘检测,因为它紧密有效地近似于高斯分布的拉普拉斯算子(日志)过滤器,认为最满意的功能检测强度的变化当高斯函数的标准偏差的比例::(23]。如果我们定义和,即,然后可以由狗的带宽。因为一个狗操作掩盖不了带宽一些狭窄的狗带通滤波器相结合,发现总和狗标准差可以覆盖比率的带宽;的公式 为一个整数,这是区别两个高斯分布的标准差可以拥有任意比例。我们可以获得应用多个带通滤波器的组合结果,选择一只狗相对较大。为了使带宽尽可能的大,必须大。在极端的情况下,然后实际上是整个图像的平均向量。这一过程说明了凸区域将被完全覆盖,而不仅仅是关注边缘或中心的区域(14]。

搞笑方法的主要步骤如下:(1)输入RGB图像转换为CIE Lab颜色空间;(2)凸映射的原始图像是计算 在哪里是算术平均图像特征向量,是一个原始图像的高斯模糊版本使用5×5可分二项内核,是规范,和像素坐标。

总之,搞笑的方法是一个非常简单的视觉特点方法实现,只需要使用一个高斯模糊和图像平均的过程。从实现的角度,搞笑的方法是基于全球对比方法,和全球信息的意思是原始图像的特征向量。

2.3。改进的特点检测方法

输入图像的显著的概率可以被描述为一个项目,不同于其背景,将检测并输出到凸映射的形式强度图。卓越的检测算法的目标是估计的可能位置突出的对象。一个更大的在一个像素强度值表示卓越价值更高,这意味着像素很可能属于显著对象。在Achanta et al。14),颜色和亮度的特点是利用定义的视觉特点。特别是规范相应的图像像素矢量值之间的高斯模糊版本和均值图像原始图像的特征向量。在许多自然的场景,尤其是在三个广泛使用的数据集包括布鲁斯的(24]眼动跟踪数据集(打赌),贾德(25眼动跟踪数据集(飞机),Achanta的14]human-annotated数据集(哈哈),frequency-tuned凸起检测算法性能极好地。但是,像其他许多卓越的检测方法,它不是有效的敦煌石窟壁画飞天的形象。这可能是由于敦煌壁画的内容丰富,它提供了一个巨大的挑战来区分前景和壁画的背景。

为了保持完整的结构信息的突出对象,以及考虑颜色和亮度的特点,本文还把原始图像的灰度直方图信息和人类视觉注意力刺激考虑,提出了一种改进的特点检测方法在敦煌石窟壁画飞天的。灰色的功能包含丰富的亮度信息,可以用来检测图像的显著对象。在本文中,将原始图像转化为灰度图像后,我们可以定义的灰色特性值的像素作为 在哪里高斯函数的归一化方差和吗和代表输入图像的高度和宽度,分别。因此,中值灰色的特性可以表达的 在哪里表示原始图像的像素的总数。

同时,后将输入图像的RGB颜色空间转化为实验室颜色空间,我们可以获得亮度值和颜色特征值和一个像素的位置。然后,使用(3)计算高斯芒刺版本原始图像的表达Achanta的研究,突出区域将被完全覆盖,而不仅仅是强调在边缘或突出的中心地区。然后,算术平均图像的特征向量输入的图像可以由 结合颜色和亮度灰度直方图信息的特点,本文利用了视觉对比原则定义基于像素级的视觉特点的局部对比度。我们考虑到像素与平均向量相比有显著差异的显著区域和假定像素值接近均值向量是背景的一部分。因此,卓越一个像素的位置特征是区别它和均值向量;也就是说, 在哪里是规范和是绝对值函数。

因为最后凸映射实际上是一个灰度图像,为了优化最后突出显示地图,它可以由一个灰度变换处理基于一些标准化的功能。在这篇文章中,规范化凸映射可以进一步计算 在哪里和表示的最大和最小值的映射,分别。标准化确保这些值有一个统一的范围从0到255对不同图像位置,方便可视化的最终输出。

通常当一个观察者的观点一个形象,他或她倾向于盯着中央位置没有做眼部运动。这种现象被称为中央效应(26]。在Zhang et al。26),当幕后寻找一个明显的目标,固定分布从图像中心转移到图像的分布特性。基于中心转变机制,在本文中,我们定义一个功能空间的关注,体重衰减函数,以反映人眼的空间注意趋势如下: 在哪里表示位置的像素之间的距离和给定的图像的中心是输入图像的对角线的长度。对于任何像素位置,;因此,,是一个单调递减函数与变量。

总之,空间注意函数的定义是合理的,因为它并没有排除这种可能性的像素位于图像的边界被注意到(26]。为了将提取的特征和相互影响人类的观察测量的功能空间的关注,最后凸映射的评估建议的方法 这种显著改善检测方法相结合的灰色的直方图信息,颜色和亮度特征,人类的空间视觉注意力功能为解决视觉显著检测问题的敦煌壁画中的飞天可以表达的算法1。

算法1。改进的特点检测方法敦煌壁画中的飞天,中国,如下。输入:图像敦煌壁画中的飞天,中国。输出:视觉显著检测地图图像的敦煌石窟壁画,中国。过程:(1)原始图像转换成灰度图像,然后计算出灰色的功能价值的像素根据灰色特性函数根据(6)。获得平均值同时的灰色特性。(2)原始图像RGB颜色空间转化为CEI的实验室颜色空间格式获得三种不同的属性值,,三种不同颜色的通道,,。(3)使用可分二项内核的像素位置获取高斯模糊的版本算术平均的原始图像,获得图像的特征向量同时输入图像。(4)定义新的特点检测公式所示(9),并使用(10)出口规范化凸映射。(5)集成功能空间的关注归一化凸映射获得最终的视觉特点检测的定义。(6)出口的最终视觉显著检测地图原始图像。

3所示。实验结果

为了评估这种视觉特点提出了检测方法的性能,图像数据集建立了敦煌壁画中的飞天从郑和大的27)的书。为了证明该方法的有效性,本文比较实验结果用该方法在应用所得结果与其他5个最先进的算法。

3.1。对敦煌壁画飞天的数据集

本文收集实验数据(300张照片)敦煌壁画中的飞天发表在郑和大的27)的书。这些图片覆盖四个历史时期:开始阶段(北梁(公元421 - 439),北魏(公元439 - 535年),和西方魏(公元535 - 556))、发展阶段(北部周(公元557 - 581),隋朝(公元581 - 618年),和唐代(公元618 - 712年)初,繁荣阶段(高唐代(公元712 - 848年),唐代(公元848 - 907),后期和五代(公元907 - 960年),和终端阶段(宋代(公元960 - 1036),西夏(公元1036 - 1227年),和元代(公元1227 - 1368))。

3.2。卓越的检测结果四个历史时期

所有的算法用于计算凸映射相同的数据集。我们的方法是在MATLAB中实现R2009a软件环境。另一种算法从作者的主页下载。所有这些算法都使用Windows XP与英特尔(R)实现核心(TM) i3 - 2130 CPU@ 3.40 GHz处理器和4 GB的内存。图2表明,凸映射算法产生的能突出文化元素,如飘带,云图腾,飞天和衣服;特别是对于图像在繁荣阶段,结构和空间布局,以反映绘画风格突出显示以作进一步的处理,也就是说,图像增强或图像呈现。这是有利于保存的完整结构信息突出的目标对象和它有助于研究人员在分析空间结构不同时期的飘带。

3.3。与其他五个最先进的方法

视觉显著检测旨在产生凸映射的图像通过模拟HVS的行为。提出的方法相比,有5个最先进的方法设计的特点检测,包括HC (17],LC [11],RC [17,老12),和搞笑14]。视觉显著地面真理是由眼睛固定35观察者模式在我们的实验。视觉特点的最先进的性能检测与固定地面实况真实场景图像相似的案例被报道贾德et al。25]。

图3充分说明了凸区域可以通过该方法区别于背景区域。原因之一是,对比基于颜色组件和灰度直方图信息比其他的表征;另一个原因是,空间注意函数来模拟人类的视觉注意力的刺激是采用我们的方法。从的角度强调绘画的飞天,最后突出使用地图的建议的方法比其他方法更一致,能够突出飞天的画线的飘带敦煌石窟壁画,同时保证其完整性。而从图3,可以得出结论,凸起检测结果通过使用该方法(高)优于使用frequency-tuned方法结果(IG)。

3.4。绩效评估不同特点的检测方法

为了评估每种方法的优点和缺点以定量方式,假阳性率和真阳性率(FPR-TPR)曲线,这是一个标准的技术信息为我们的飞天数据集检索社区,采用。假阳性率和真阳性率(或召回)被定义为(28- - - - - -30.] 在哪里是假阳性(关于像素不是获得突出的地区(背景)作为像素在地面真理),是真的负(关于像素不是获得突出的地区(背景)的像素不是地面真理),是真阳性(关于像素获得突出的地区(前景)的像素地面真理),然后呢假阴性(关于像素获得突出的地区(前景)的像素不是地面真理)。假阳性率的概率是一个真正的负面标签是假阳性,和真阳性率对应的分数检测到显著像素属于凸物体在地面真理。

使用MABLAB软件,FPR-TPR曲线绘制不同的特点检测算法和图所示4。我们的实验遵循设置(14,17),突出地图数字化在每个可能的阈值范围内。我们的方法达到最高的TPR几乎整个玻璃钢范围。这是因为从三个尺度结合卓越信息使背景通常显著较低的值。只有充分突出对象可以发现在这种情况下。

从这些FPR-TPR曲线在图4,我们可以看到,我们的方法具有更好的性能,更少的玻璃钢;因此,可以得出结论,显著改善检测方法(高)是优于其他五个最先进的方法。该算法实现相同的TPR,最低玻璃钢,这意味着它可以检测更突出的区域;和相同的玻璃钢,该算法具有较高的TPR,这意味着它可以检测更准确地突出的地区。

此外,精密,回忆(或真阳性率),测量,的值FPR-TPR曲线下的面积(AUC)也被用来评估表现这些特点定量检测方法。召回的定义是,和精确的定义是14] 精度对应正确检测到显著像素的比例分配,当回忆对应的分数发现突出的像素属于凸物体在地面真理。高召回可以减少精度为代价来实现。因此,它是必要的和重要的测量在一起;因此,测量被定义为(14] 我们使用建议在Achanta et al。14重量精度超过召回。

在图5,而先进的结果,我们可以得出结论,这些方法是高> HC的秩(17)> LC (11)>搞笑(14)> RC (17老]> [12),我们的改善方法(高)显示精度(90.13%)最高,回忆(94.59%),测量(91.12%),和AUC(91.51%)值在统计意义上,这是略高于HC (17)的精度(84.52%)、召回(93.82%),测量(86.50%),和AUC值(89.39%),这一结论也可以得到图的支持4。

4所示。结论和未来的工作

本文改进的特点检测方法基于frequency-tuned敦煌壁画飞天的方法被提出。这个建议的方法利用CIE Lab颜色空间信息和灰度直方图信息。此外,空间注意函数来模拟人的视觉注意力提出刺激,容易实现,并提供了一致凸的地图。此外,它有利于突出飞天的画线的飘带敦煌石窟壁画,同时保证其完整性。最后实验结果数据集的敦煌壁画中的飞天相比表明,该方法是非常有效的五个最先进的方法。此外,定量的比较结果表明,该方法优于FPR-TPR曲线而言,五种经典方法精度,记得,测量,AUC。

未来的研究将考虑使用深度学习技术,从敦煌壁画中提取语义信息,并根据提取的语义信息,视觉显著检测方法应该增强。最近,这些方法包括深层信念网络(DBN),限制了玻耳兹曼机(元),和卷积神经网络(CNN)可以应用于确定敦煌石窟壁画中的各种活动,例如,描绘音乐娱乐场景。识别这些场景将有价值的持续努力来分析中国文化背景和早期进化时期公元421年和公元1368年之间

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究的部分支持由中国国家重点基础研究项目(没有。2012 cb725303),中国国家科学基金会(没有。61170202,没有。41371420,没有。61202287,没有。61203154),中央大学(没有基础研究基金。2013 - yb - 003)。作者要感谢匿名评论者和学术编辑的宝贵意见。

引用

1. f . Xu l . Zhang y,和w·马“显著特征选择视觉概念学习,”先进的多媒体信息Processing-CM 2005卷,3767在计算机科学的课堂讲稿施普林格,页617 - 628年,柏林,德国,2005年。视图:出版商的网站|谷歌学术搜索
2. n . Imamoǧlu w·林,y,”一个卓越使用低级的基于小波变换的特性,检测模型”IEEE多媒体,15卷,不。1,第105 - 96页,2013。视图:出版商的网站|谷歌学术搜索
3. z . Chen j .元,y . p . Tan“混合特点检测图像,”IEEE信号处理信件,20卷,不。1,第98 - 95页,2013。视图:出版商的网站|谷歌学术搜索
4. a . Borji d . n . Sihite和l . Itti“显著目标检测:一个基准,”欧洲计算机视觉的诉讼,第429 - 414页,2012年。视图:谷歌学术搜索
5. c·科赫和美国Ullman转变选择性视觉注意:对潜在的神经回路,”重要的情报施普林格,页115 - 141年,阿姆斯特丹,荷兰,1987年。视图:出版商的网站|谷歌学术搜索
6. c·科赫和方法预测视觉世界:沉默是金。”自然神经科学,卷2,不。1、9 - 10,1999页。视图:出版商的网站|谷歌学术搜索
7. l . Itti c·科赫,大肠Niebur”saliency-based视觉注意力模型的快速场景分析,“IEEE模式分析与机器智能,20卷,不。11日,第1259 - 1254页,1998年。视图:出版商的网站|谷歌学术搜索
8. Harel j·c·科赫,p . Perona一起“基于视觉特点,”先进的神经信息处理系统,19卷,第552 - 545页,2007年。视图:谷歌学术搜索
9. z . t . Liu元,j .太阳et al .,“学习”探测到一个显著的对象,IEEE模式分析与机器智能,33卷,不。2、353 - 367年,2011页。视图:出版商的网站|谷歌学术搜索
10. s . Goferman l . Zelnik-Manor, a Tal,“环境敏感特点检测”IEEE模式分析与机器智能,34卷,不。10日,1915 - 1926年,2012页。视图:出版商的网站|谷歌学术搜索
11. y翟和m .沙”,视觉注意力检测在视频序列中使用时空线索,”学报》第14届ACM国际多媒体会议(多媒体06年)2006年10月,页815 - 824。视图:出版商的网站|谷歌学术搜索
12. x侯和l .张“卓越检测:光谱残留的方法,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 07)2007年6月,页1 - 8,。视图:出版商的网站|谷歌学术搜索
13. 诉Gopalakrishnan) y胡,d . Rajan“随机漫步在图像图形建模特点,”《IEEE计算机学会学报计算机视觉与模式识别会议研讨会(CVPR ' 09)1705年,页1698 -迈阿密,佛罗里达州,美国,2009年6月。视图:出版商的网站|谷歌学术搜索
14. f r . Achanta s Hemamiz Estraday s Susstrunky“Frequency-tuned显著区域检测,”《IEEE计算机学会学报计算机视觉与模式识别会议研讨会(CVPR ' 09)2009年6月,页1597 - 1604。视图:出版商的网站|谷歌学术搜索
15. 燕,l .徐、j·史和j .贾“层次特点检测”学报》第26届IEEE计算机视觉与模式识别会议(CVPR 13)IEEE,页1155 - 1162年,波特兰,矿石,美国,2013年6月。视图:出版商的网站|谷歌学术搜索
16. p .湿婆,c·罗素,t .香和l . Agapito”展望未来的形象:无监督学习对象特点和检测”学报》第26届IEEE计算机视觉与模式识别会议(CVPR 13)俄勒冈州波特兰市,页3238 - 3245,美国2013年6月。视图:出版商的网站|谷歌学术搜索
17. g . m . m . Cheng x张:j . Mitra x黄和s . m .胡锦涛,“全球对比显著区域检测,”《IEEE计算机视觉与模式识别会议(CVPR 11)2011年6月,页409 - 416。视图:出版商的网站|谷歌学术搜索
18. w·m·奥斯伯格和a . m . Rohaly”自动检测区域的复杂的视频序列,兴趣”6日人类的视觉和电子成像卷,4299学报学报圣何塞,页361 - 372年,加州,美国,2001年6月。视图:出版商的网站|谷歌学术搜索
19. c·康诺利和t·弗莱斯”研究的效率和准确性从RGB转换到CIE Lab颜色空间,”IEEE图像处理》第六卷,没有。7,1046 - 1048年,1997页。视图:出版商的网站|谷歌学术搜索
20. r . Achanta f·埃斯特拉达,p .会和s . Susstrunk“显著区域检测和分割,”国际会议的程序在计算机视觉系统中,第75 - 66页,2008年。视图:谷歌学术搜索
21. h·c·杨l . Zhang,阮x, M.-H。阳,“卓越检测通过基于多方面的排名,”学报》第26届IEEE计算机视觉与模式识别会议(CVPR 13)2013年6月,页3166 - 3173。视图:出版商的网站|谷歌学术搜索
22. d·g·劳”独特的形象特征尺度不变的要点,国际计算机视觉杂志》上,60卷,不。2、91 - 110年,2004页。视图:出版商的网站|谷歌学术搜索
23. d·马尔愿景:计算调查人类视觉信息的表示和处理w·h·弗里曼,旧金山,加州,美国,1982年。
24. n·d·b·布鲁斯和j . k . Tsotsos“基于信息最大化,卓越”诉讼的年会在神经信息处理系统(捏' 05)2005年12月,页155 - 162。视图:谷歌学术搜索
25. t·贾德k . Ehinger f和a . Torralba勾勒出“学习预测人类看,”学报》第12届国际会议上计算机视觉(ICCV ' 09)IEEE,页2106 - 2113年,京都,日本,2009年10月。视图:出版商的网站|谷歌学术搜索
26. 苏·g·h·张,w . Wang, l .段“简单而有效的特点检测的方法,”21国际会议的程序模式识别(ICPR 12)2012年11月,页186 - 189。视图:谷歌学术搜索
27. r .郑和j .大收集版敦煌壁画中的飞天香港商务印书馆,2002年,(中国)。
28. k·鲍耶,c . Kranenburg和s·多尔蒂,“边缘检测器使用经验ROC曲线评价,”计算机视觉和图像理解,卷84,不。1,第103 - 77页,2001。视图:出版商的网站|谷歌学术搜索
29. 即Abdou和w·k·普拉特定量设计和评价增强/阈值边缘探测器,“IEEE学报》,卷67,不。5,753 - 763年,1979页。视图:出版商的网站|谷歌学术搜索
30. d·r·马丁c . c . Fowlkes和j·马利克,“学习检测自然图像边界使用本地亮度,颜色,纹理和线索,”IEEE模式分析与机器智能,26卷,不。5,530 - 549年,2004页。视图:出版商的网站|谷歌学术搜索

版权

版权©2015钟陈等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。