控制与决策

作者：周静波,黄伟

单位：南京工程学院 计算机工程学院,南京 211167,,韩山师范学院 计算机与信息工程学院, 广东 潮州 521041,

关键词：显著性目标检测;低秩矩阵恢复;ell_0优化;显著性细化;稀疏矩阵

基金：南京工程学院科研基金项目(YKJ201722,JCYJ201825)；广东省自然科学基金项目(2016A030307050)；广东省公益能力研究项目(2016A020225008,2017A040405062).

基于低秩矩阵恢复(low-rank matrix recovery,LRMR)的显著性目标检测模型将图像特征分解为与背景关联的低秩分量和与显著性目标相关联的稀疏分量,并从稀疏分量中获得显著性目标.现有的显著性检测方法很少考虑低秩分量与稀疏分量之间的相互关系,导致检测的显著性目标零散或不完整.为此,提出基于低秩矩阵恢复的显著性目标检测与细化方法来规避该限制.首先,所提方法采用ell_1范数稀疏约束和拉普拉斯正则项对初始显著图进行计算;在显著性细化阶段,由于非局部的ell_0优化可以有效地对显著性区域及其邻接区域之间的相互关系进行建模,结合初始显著图,采用非局部ell_0梯度优化,最小化显著性区域中显著值的变化,从而保证显著性目标的完整性.在4个显著性目标检测数据集上进行实验,通过实验结果验证所提算法的优越性.

来源：2021年第7期

《控制与决策》期刊编辑部

查看控制与决策杂志2021年第7期