7、红外图像基于结构的显著性检测方法

红外图像基于结构的显著性检测方法

1. 引言

视觉显著性通常利用图像的颜色、强度和纹理等属性，但在红外场景中，这些先验信息可能无法得到很好的利用，而且红外相机的低质量导致红外图像质量较差，影响了整体检测性能。以往的一些方法，如利用亮度对比度和轮廓特征来估计视觉显著性，可能会产生错误结果，并且在显著区域中会存在一些背景噪声。为了解决这些问题，我们引入了一种基于结构的显著性方法，该方法同时利用局部和全局线索。

2. 方法框架

2.1 局部显著性方法

传统的 LARK 方法在红外图像的视觉显著性估计中，自相似性梯度的表示效果不佳。因此，我们将区域协方差信息引入到 LARK 描述符中，提出了结构化 LARK（SLARK）特征描述符，这是首次将结构化 LARK 信息用于红外图像的显著性检测。
具体步骤如下：
1. 特征提取 ：设 $I$ 为红外图像，$F$ 为从输入图像 $I$ 中提取的特征图像，定义为 $F(x, y) = \Phi(I, x, y)$，其中 $\Phi$ 从 $I$ 中提取 $d$ 维特征函数。对于红外图像，使用梯度、位置、亮度、LBP 和 HOG 特征，此时图像像素用 $d = 7$ 维特征向量表示：
- $F(x, y) = [x, y, \left|\frac{dI}{dx}\right|, \left|\frac{dI}{dy}\right|, HOG(x, y), Lu(x, y), LBP(x, y)]$
- 其中 $(x, y)$ 是像素位置，$\left|\frac{dI}{dx}\right|$ 和 $\left|\frac{dI}{dy}\rig