详见点击打开链接
【算法】
1、全局差异矩阵的融合
首先用SLIC超像素分割把图像分成N个小的超像素点,应用像素点的平均颜色特征和平均坐标来描述每一个超像素点。为获得更优化的背景种子,基于图像边缘点的CIELAB颜色特征,用K-means算法将图像的边缘分成K类,K=3。属于第k类的超像素点总数为
,k=1,2,...,K。基于K个不同的类,构建K个不同的全局颜色差异图(GCD)。在GCD矩阵
中,元素
表示在第k个GCD图中元胞i的显著性值,i=1,2,...,N。元胞i的显著性值为:
其中||Ci,Cj||是超像素点i和j在LAB颜色空间的欧式距离,设
,
。
当一个超像素点的显著性值是基于离他最近的背景类计算时,他的显著性值就越准确。因此,构建全局空间距离(GSD)矩阵
来权衡不同GSD图之间的重要性。
代表超像素点i和所有第k类背景点之间的空间距离:
其中ri和rj是超像素点i和j的坐标,
是控制权重常量,
。