基于频率域的图像显著性区域提取方法

合集下载

Morlet小波分析方法介绍

小波分析的要点：1.目的小波分析是一个强有力的统计工具，最早使用在信号处理与分析领域中，通过对声音、图像、地震等信号进行降噪、重建、提取，从而确定不同信号的震动周期出现在哪个时间或频域上。

现在广泛的应用于很多领域。

在地学中，各种气象因子、水文过程、以及生态系统与大气之间的物质交换过程都可以看作是随时间有周期性变化的信号，因此小波分析方法同样适用于地学领域，从而对各种地学过程复杂的时间格局进行分析。

如，温度的日变化周期、年变化周期出现在哪些事件段上，在近100年中，厄尔尼诺-拉尼娜现象的变化周期及其出现的时间段，等等。

2.方法小波变换具有多分辨率分析的特点，并且在时频两域都具有表征信号局部特征的能力。

小波变换通过将时间系列分解到时间频率域内，从而得出时间系列的显著的波动模式，即周期变化动态，以及周期变化动态的时间格局（Torrence and Compo, 1998）。

小波（Wavelet），即小区域的波，是一种特殊的、长度有限，平均值为零的波形。

它有两个特点：一是“小”，二是具有正负交替的“波动性”，即直流分量为零。

小波分析是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号（函数）逐步进行多尺度细化，能自动适应时频信号分析的要求，可聚焦到信号的任意细节。

小波分析将信号分解成一系列小波函数的叠加，而这些小波函数都是由一个母小波（mother wavelet）函数经过平移与尺度伸缩得来的。

用这种不规则的小波函数可以逼近那些非稳态信号中尖锐变化的部分，也可以去逼近离散不连续具有局部特性的信号，从而更为真实的反映原信号在某一时间尺度上的变化。

小波分析这种局部分析的特性使其成为对非稳态、不连续时间序列进行量化的一个有效工具（Stoy et al., 2005）。

小波是一个具有零均值且可以在频率域与时间域内进行局部化的数学函数（Grinsted et al., 2004）。

一个小波被称为母小波（mother wavelet），母小波可沿着时间指数经过平移与尺度伸缩得到一系列子小波。

seaving-carving

论文中文题目摘要摘要内容感知图像缩放的目标是在任意改变图像大小时保持图像中的主体特征不变。

这里介绍一种内容感知图像缩放方法，缝剪切(seam-carving)。

一条缝就是图像中从顶部到底部，或者从左到右的一条8连通的最优的像素路径，其中最优性是通过一种图像能量函数定义的。

通过重复地剪切和添加缝，就可以改变图像的大小,同时保持图像中的主体特征不变。

图像的主体特征一般也就是指图像中的显著性区域，图像能量函数可以设计为图像中像素的显著性的分配函数。

基于直方图对比度（Histogram Contrast，HC）方法是一种基于全局对比度的显著性区域检测方法，该方法同时考虑了全局对比度和空间位置的影响，这里使用其作为图像能量函数。

关键词：内容感知图像缩放；Seam-Carving；显著性检测；全局对比度论文中文题目ABSTRACTABSTRACTThe target of content-aware image resizing is to retain the main characteristics of the image when change the size of the image discretionarily. Here a content-aware image scaling method called seam-carving is introduced. A seam is an optimal 8-connected path of pixels on a single image from top to bottom, or left to right, where optimality is defined by an image energy function. By repeatedly carving out or inserting seams we can change the aspect ratio of an image and retain the main characteristics of the image. The main characteristics of the image generally refers to the salient region , the image energy function can be designed as a function which assign the saliency value to each pixel. Histogram-based contrast(HC) method is a kind of global contrast based salient region detection method, which simultaneously evaluates global contrast difference and spatial coherence，here it is used as the image energy function.Key Words: Content-Aware Image Resizing; Seam-Carving; Saliency Detection; Global Contrast目录摘要 .............................................................................................................................................. I ABSTRACT.................................................................................................................................... II 目录 . (1)第一章绪论（小三、黑体、居中） (2)第二章像素显著性 (3)2.1像素显著性值的定义 (3)2.2加速计算 (3)2.3颜色空间平滑 (4)第三章Seam_Carving (5)3.1能量函数的定义 (5)3.2Seam-Carving的提出 (5)3.3缝的代价 (6)3.4最优缝的寻找 (6)第四章分析与总结 (7)第一章绪论（小三、黑体、居中）如今显示设备的多样性和多用途性对数字媒体提出了新的要求。

Boosting 自下而上和自上而下的视觉特征的显著性估计

二、学习一个视觉显著性的模型
另一个重要特点是在前中心的基础上发现的：大多数的录制品在中心附近发生的图像（即中心偏置[39]）。与基线的方法进行公平比较的分类（AWS和GBVS模型），我们在这里单独对待中心功能。根据公式2，我们把每个模型的显著性图与p（s|x）相乘，p（s|x）是每个像素打牌中心的距离。最终，所有的特点都变成34（30自底向上+4自上而下）向量（不含中心），被送入分类器（在下一节中解释）。
www.themegallerLeabharlann
二、学习一个视觉显著性的模型
与手动设计显著性措施相比，我们按照训练分类的一种学习方式，直接从人眼跟踪数据。其基本思路是的加权组合的功能，其中权重学会从一个大的库对自然图像的眼球运动，可以增强显著性检测比未经调整组合特征映射。学习方法也有容易适用于通过提高要素权重目标对象的可视化搜索的好处。在下面，我们提出了一个朴素贝叶斯公式的显著性估计。让我们是一个二元变量表示的显著位置的图像像素X =（X ，Y）与特征向量f，其中“s等于1”表示这个像素是突出的（也就是说，它可以吸引人类的眼睛）和零。像素x的概率是显著的可写为：
Boosting Bottom-up and Topdown Visual Features for Saliency Estimation
Boosting 自下而上和自上而下的视觉特征的显
著性估计

LOGO
主要内容
1 2 摘要一、简介
3
4
二、学习一个视觉显著性的模型

三、实验程序
本节对分类和功能提出一个全面的评估。在这里，我们不仅评估了我们的模型，也比较几款模型以供日后参考。我们能够运行27个显著性模型。此外，我们还实施了其他两个简单但功能强大的模型：Gaussian Blob和人类中间观察者模型。Gaussian Blob的是一个简单的2D高斯形状的绘制图像的中心，它是预期预测人的目光，以及如果这样的凝视强烈图像中心的周围聚集。对于一个给定的刺激，当他们观看刺激时，中间观察员的模型输出一个通过整合比其他物体测试的地图。模型地图可以根据记录眼球运动来调整原始图像的大小。

融合背景模型和颜色特征的多尺度视觉显著性检测

计算机工程应用技术
信息与电脑 China Computer&Communication
2016 年第 23 期
融合背景模型和颜色特征的多尺度视觉显著性检测
胡金戈
（西南大学计算机与信息科学学院，重庆 400715）
摘要：结合图像背景先验信息和颜色特征，提出一种融合背景模型及颜色特征的视觉显著性检测方法。将图像颜色空间转换到 Lab 颜色空间下，利用 SLIC 超像素分割方法对图像进行分割，然后将图像中心的椭圆外面的区域划分为背景区域，同时将背景区域分割成四个互不重叠的相等子区域，构建图像背景模型，分别计算内部区域与这四个背景区域的差异性得到显著性特征。为了避免显著性目标在图像边缘时带来的漏检现象，同时考虑图像背景区域内部颜色特征的奇异性，特征奇异区域即为显著性区域。
针对上述问题，提出一种融合背景模型及颜色特征的多
尺度视觉显著性测方法。对图像进行 SLIC 超像素分割和颜色空间转换，构造图像中心的椭圆外分为互不重叠的四个子区域的背景模型，在 Lab 三个颜色通道上，分别计算椭圆内部区域的显著性特征和四个背景区域的奇异性特征，最后通过线性融合得到最终显著图，同时采用多尺度分析方法提高方法的适应性和可扩展性。实验结果表明，使用本文方法得到的 ROC 曲线和查准率、召回率曲线较现有方法表现更为良好。
当感兴趣目标位于图像的边缘区域或者图像边缘区域的
区域和右边缘区域相距较远具有不同的特征，为了能够兼顾一部分时，为了避免出现漏检现象，计算四个背景区域中颜
（4）特征融合：图像融合是显著性检测的重要一步，对于各种颜色空间和颜色通道得到的特征是不同的，如何有效融合这些信息，对检测结果影响很大。线性融合各通道显
其中，SLT(pi) 为内部区域第 i 个超像素区域与左上角背景区域的差异性；D(pi,LTn) 为内部区域第 i 个超像素 pi 与左上角背景区域中第 n 个超像素 LTn 的欧氏距离；NLT 为左上角背景区域中超像素的个数；|pi － LTn| 为内部区域第 i 个超像素与左上角第 n 个超像素的颜色距离。

显著性目标检测开题报告

显著性目标检测开题报告1.以传统方法进行显著性目标检测自1998年ltti L等人发表[1]之后，显著性目标检测研究开始受到广泛关注。

显著性目标检测旨在从输入图像上识别出最引人注目的对象，换而言之也可以说，这些研究希望能够识别出图像的主体。

从1998年发展至今，以2014年为界，显著性目标检测大约可以划分为传统方法与深度学习方法两个时代。

受[1]中对人眼机制的探讨以及提出的显著性物体特征（颜色鲜明，对比强烈，方向差异）启发，过去二十年中，大量显著性物体检测方法被提出，显著性目标检测被广泛定义为从图像中捕捉稀有、独一无二元素的问题。

它们中的大部分首先从图像中分辨出显著子集（计算显著性图），然后将这些显著子集合并以分割出完整的显著对象。

总的来说，传统的显著性物体检测方法可依据使用视觉子集的种类或使用特征分为不同的两类：①使用基于块（block-based）的视觉子集或基于区域（region-based）的视觉子集②只使用图像本身提供的内部线索（intrinsic cues）或引入用户注释等外部线索（extrinsic cues）。

基于以上两种分类，传统显著性物体检测方法可被划分为以下三种：（1）使用图像内部线索的基于块的检测模型：在显著性物体检测的早期工作中，元素的唯一性通常被等同于像素级的中心环绕对比度，如[2]。

在[3]中，广义主成分分析（GPCA）使用线性子空间方法取代实际分割图像，并通过测量特征对比值与区域几何属性来选择显著区域。

[4]则采用频率调整方法来计算全分辨率显著图，其中元素x的显著值被计算为中心元素值与高斯模糊输入图像上x的元素值之差的平方。

（2）使用图像内部线索的基于区域的检测模型：这种类型的显著性模型从以不同方法（如Mean-Shift、Turbopixels、SLIC等）产生的图像区域中得到图像内部线索，用于显著图像的生成。

如[5]中介绍了一种通过测量目标区域相对于所有其他图像区域的全局对比度的基于区域的显著性算法，它将图像分为多个区域，每个区域的显著度等于它与其余所有区域的对比值与权重值的乘积之和。

超声波检测技术中的数字信号处理方法

网络信息工程2021.07超声波检测技术中的数字信号处理方法李晓丽，王娟（开封大学，河南开封，475000）摘要：当前科学技术的快速发展，使数字信息技术出现在了人们的生活前面,数字信号技术深入到了人们生活的方方面面，比如在超声波检测技术中，数字信号处理方法具有独特的优势,可以更好地满足现代超声技术发展的多样化要求。

在新技术的发展下，新超声技术的出现将数字信号融入其中，可以降低对媒质特性的非接触测量的破坏，提升超声波检测技术的质量,增强环境的适应能力，继而实现在线测量。

本文就超声波检测技术中数字信号的处理方法进行研究和分析,旨在提高数字信号处理的效率。

关键词：超声波；检测；高精度；数字信号处理Digital Signal Processi n g Method in Ultraso n ic Detecti o n Tech n o l ogyLi Xiaoli,Wang Juan(Kaifeng University,Kaifeng Henan,475000)Absrtact：W ith the rapid development of science and technology,digital information technology has appeared in front of people's life.Digital signal technology has a unique advantage,which can better meet the diversified requirentents of the development of modern ultrasonic technology・Withthe development of new technology,the emergence of new ultrasonic technology can reduce the damageof non-contact measurement of media characteristics,improve the quality of ultrasonic detection technology,enhance the adaptability of the environment,and then realize on-line measurement.In this paper,the processing method of digital signal in ultrasonic detection technology is studied and analyzed in order to improve the efficiency of digital signal processing.Keywords：ultrasonic;detection;high precision;digital signal processingo前言超声波技术是一种新型的技术，该技术具有多种优势，其自身的特点是波长短，适应多种材料技术，可以对不同的材料等传统，包括金属材料等。

基于视觉显著性分析的毫米波辐射图像增强

ＭＭＷＲａｄｉｏｍｅｔｒｉｃｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｂａｓｅｄｏｎｖｉｓｕａｌ
ｓａｌｉｅｎｃｙａｎａｌｙｓｉｓ
ＬｕＸｕａｎ，ＸｉａｏＺｅｌｏｎｇ，ＨｕＴａｉｙａｎｇ，ＬｉＪｉｅ，ＸｕＪｉａｎｚｈｏｎｇ
ｃｏｎｃｅａｌｅｄｗｅａｐｏｎｗｉｔｈｌｏｗｒｅｓｏｌｕｔｉｏｎ，ａｎｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｍｅｔｈｏｄｂａｓｅｄｏｎｖｉｓｕａｌｓａｌｉｅｎｃｙａｎａｌｙｓｉｓｉｓｐｒｏｐｏｓｅｄ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｐｉｎｒｃｉｐｌｅｏｆｔｈｅｖｉｓｕａｌｓａｌｉｅｎｃｙａｎａｌｙｓｉｓ，ｔｈｅｍｏｄｅｌＩＧｉｓｓｅｌｅｃｔｅｄｆｏｒｉｔｓｓｕｉｔａｂｉｌｉｔｙｆｏｒＭＭＷｒａｄｉｏｍｅｔｒｉｃｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ．Ｔｈｅｉｍａｇｅｉｓｆｉｌｔｅｒｅｄｉｎ
基于视觉显著性分析的毫米波辐射图像增强
逯暄，肖泽龙，胡泰洋，李杰，许建中
（１．南京理工大学电子工程与光电技术学院，江苏南京２１００９４；２．中国空间技术研究院西安分院，陕西西安７１０１００）

一种基于显著性的多尺度图像融合模型

ＡＳａｌｉｅｎｃｙ・ＢａｓｅｄＭｕｌｔｉ — ｓｃａｌｅＩｍａｇｅＦｕｓｉｏｎＭｏｄｅｌ
ＬＩＹｕｎ — ｑｉ
（ＥｃｏｎｏｍｉｃＩｎｆｏｒｍａｔｉｏｎＣｅｎｔｅｒｏｆＪｉｌｉｎＰｒｏｖｉｎｃｅ，Ｃｈａｎｇｃｈｕｎ１３００６１，Ｃｈｉｎａ）
第５１卷
第２期
吉林大学学报（理学版）
ＪｏｕｒｎａｌｏｆＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ（ＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）
ＶｏＬ５１Ｎｏ．２
Ｍａｒ２０１３
２）不能引入影响肉眼观察或影响下一步计算机处理的不一致性；３）具有平移不变性和旋转不变性．
目前的融合算法按融合层次可归结为像素级、特征级和决策级３类］．像素级的图像融合方法又
可分为空域类和频域类两种［２］，空域类包括最大值法、最小值法和ＰＣＡ法等；而频域类相对于空域类
２０１３年３月
一
种基于显著性的多尺度图像融合模型
李蕴奇
（吉林省经济信息中心，长春１３００６１）
摘要：提出一种基于显著性的多尺度图像融合模型．先利用轮廓波变换将输入图像分解成子图序列，然后计算每幅子图像的区域显著性，并选取显著性大的参数作为最终融合参数，最后通过反变换获得融合图像，图像的显著性通过谱冗余法获得．实验结果表明，该方法较传

基于显著性分析的HOG快速船舶检测方法

基于显著性分析的HOG快速船舶检测方法元海文;肖长诗;文元桥;周春辉;张康贺;邹雄【摘要】为实现海事无人机在水上巡航过程中对船舶的检测,提出一种基于显著性分析的方向梯度直方图(Histograms of Oriented Gradient,HOG)快速检测方法.与大部分基于背景模型的运动检测算法不同,该方法主要利用快速的全局图像视觉显著性分析,缩小检测范围和计算量,实现快速、可靠的船舶检测.首先,从对整幅图像的频谱分析出发研究通航水域环境的分布特点;其次,采用高斯差分算子(Difference of Gaussian,DoG)组合滤波的方式实现水面显著性特征的提取,即非水面与水面区域的分离;最后,采用自适应分割技术对滤波图像进行后处理,从而直观地展示图像非水面区域.此外,当图像中存在船舶之外的其他目标时,采取方向梯度直方图算子对该区域进行多尺度检测,从而实现船舶与其他目标的分离.试验结果表明,所提算法具有良好的有效性和实时性.【期刊名称】《中国航海》【年(卷),期】2016(039)001【总页数】5页(P69-73)【关键词】水路运输;船舶检测;频谱;组合滤波;HOG;分类器【作者】元海文;肖长诗;文元桥;周春辉;张康贺;邹雄【作者单位】武汉理工大学航运学院,武汉430063;内河航运技术湖北省重点实验室,武汉430063;武汉理工大学航运学院,武汉430063;内河航运技术湖北省重点实验室,武汉430063;武汉理工大学航运学院,武汉430063;内河航运技术湖北省重点实验室,武汉430063;武汉理工大学航运学院,武汉430063;内河航运技术湖北省重点实验室,武汉430063;武汉理工大学航运学院,武汉430063;内河航运技术湖北省重点实验室,武汉430063;武汉理工大学航运学院,武汉430063;内河航运技术湖北省重点实验室,武汉430063【正文语种】中文【中图分类】TP391.41Abstract: The visual saliency analysis and Histograms of Oriented Gradient(HOG) feature analysis are introduced into fast ship detection process for Maritime unmanned aerial vehicles, which rely on the ability of ship detection to perform there job in cruise. With the new method, the frequency spectrum and its distribution of the whole channel environment image are analyzed first and the salient region in image, i.e., non-water parts are separated with the band-pass filter approximated by a Difference of Gaussian(DoG) combined filter. The extracted salient region image is further processed by means of an adaptive segment algorithm to produce clear visual display of the salient areas. The ships are detected from the salient areas on dimension based with the AdaBoost classifier which was trained by HOG features of vast ship samples and non-ship samples. Test results show that the method of ship detection is effective and real-time. This method do not rely on the background model, as most target detectors do, therefore, can make unmanned aerial vehicles more autonomous.Key words: waterway transportation; ship detection; frequency spectrum; combined filter; HOG; classifier采用小型无人机进行海事“电子巡航”时，目标检测是其基于视觉监控的关键技术。

光流法和显著性相结合的动态背景下运动目标检测方法

光流法和显著性相结合的动态背景下运动目标检测方法作者：黄锋易嘉闻吴健辉何伟李武劲欧先锋来源：《成都工业学院学报》2020年第01期摘要：针对运动背景下目标检测困难的问题，在现有运动目标检测算法的基础上，结合显著性检测算法在图像处理和目标检测上的特点，提出了一种结合光流法与显著性特征的运动目标检测算法。

首先利用基于重构与分割的显著性检测方法，快速对图像中的有用对象和信息进行提取，同时将不感兴趣的信息进行排除，然后结合光流法对运动信息的敏感性，采用加权融合的方式来减少图像中大量的背景噪声信息，提取完整的运动目标。

实验结果表明，提出的算法很好地将运动目标信息从复杂的运动背景中提取出来，在保留目标区域的完整性基础上，降低了背景运动所带来的影响，具有较好的稳定性和鲁棒性。

关键词：光流法，显著性特征，动态背景，目标检测中图分类号：TP391.9;文献标志码：A文章编号：2095-5383（2020）01-0013-06Abstract：The method of moving object detection under the motion background was proposed in this paper.;This method combined with optical flow and salient features which based on the existing moving object detection aalgorithm.;The significance detection method based on reconstruction and segmentation is used to quickly extract the useful objects and information in the image and exclude the information that is not interested.;Then combined with the sensitivity of the optical flow method to the motion information，the weighted fusion method is adopted to reduce a lot of background noise information in the image and extract the complete moving object.;The experimental results show that the proposed algorithm in this paper can extract the moving object information from the complex background，and on the basis of keeping the integrity of the object area，it can reduce the influence of the background movement and has better stability and robustness.Keywords：optical flow method，saliency detection，motion background，object detection目标检测作为计算机视觉技术领域的一个重要研究内容，主要有静态背景[1]与运动背景[2]下两种方法。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｌｏｔｕｓｕｌｅｏｔｎｓｉｔａ，ｕａｏｓｌｅｔｅｃｎｉｅｔｉｌｈｓｉｔｅｏ，ｉｅｏｔｎａｄｙｕｔｆｌ—ｒｓｌｉａｅｐｂｔｌｏｓｈｏｓｔｎｙｈｇｉｔａｅｇｎｈｇｒｓｌｉｐｕｏｌｎｍｓｖｓｌｈｇｌｎｒｉｈｕｏｎｇｅｅｌｄｆｅｏｎａｉｆａｅｔｂｅｔ．Ｔｅｍｅｏｅｆｅａｏｅｓｇｅｔｔｎｔｋｂｃｉｉｇｉｓｗｌ～ｅｎｄｂｕｄｒｓｏｉｊｃｖｉｅｓｎｏｌｓｈｔｄｐｒｒｄｔｔｎｔｅｍｎａｏｓｙａｈｅｎｈｏｍｈｈｉａｖ
方法。
关键词：显著图；频率域；多尺度分析；图像分割；查全率
中图分类号：Ｐ９．１Ｔ３１４文献标识码：Ｂ
ＢａｅｎｔｅＦｒｑｎｙＤｏａｎｍａｅｓｄｏｈｅｕｅｃｍｉＩｇ
ＳａｉｎｔＲｅｉｎＥｘｒｃｉｎＭｅｈｄｌｅｇ０ｔａｔｏｔｏ
摘要：针对图像的显著性区域提取方法存在区域边界不明确、分辨率不高、显著性目标不准确等问题，出了一种使用高斯提差分滤波器的组合来保持原图像更多的频率信息，然后在频率域里利用颜色和亮度两个特征来计算显著图，最后用均值偏移方法结合自适应阈值方法从显著图中提取显著性区域。实验结果表明，高斯滤波器的方法不仅输出完整分辨率的显使用著图，而且能准确地突出显著性目标，区域具有明确的边界，使并且分割的查准率和查全率都好于多尺度分析方法和Ｉｔｔｉ
ＫＥＹＷＯＲＤＳ：ａｉｎｙｍａ；Ｆｅｕｎｙｄｍａｎ；Ｍｕｉｃｌｎｙｉ；Ｉｇｅｍｅｔｔｎ；ＲｅａＳｌｃｐｒｑｅｃｏｉｅｈｓａｅａａｓｓｍａｅｓｇｎａｉｌｏｃｌｌ
ＧＵＡＮＸｉｏ—ｗｅＤＩｉＪＡＮＧｏ—ｘａａｌ一，ＮＧＬｎ．ｔＤａｉ
（．ＤｐｒｅｔｆｏｕｅｅｈｏｇｎｒｓｃＤｓｎＪｎｓｏａｏａａｄＴｃｎｃ１ｅａｔｎｏＣｍｐｔＴｃｎｌｙａｄＡｔｔｅｉ，ｉｇｕＶｃｔｎｌｎｅｈｉａｍｒｏｉｉｇａｉｌ
ＣＨｇｆｉａｃｏｅｅｏｎｎｅ＆Ｅｏｏｉｓｕｉｉｇｕ２３０，ｈｎ；Ｆｃｎｍｃ，Ｈａ’ Ｊｎｓ２０３Ｃｉａ）ｎａａ
ＡＢＳＡＣＴ：ｍａｅｓｉｎｅｉｎｅｔｃｉｎｍｅｈｄｂｓｄｏｈｅｕｎｙｄｍａｎｗｓｐｏｏｅ．ＴｉｔｏＴＲＡｎｉｇａｅｔｒｇｏｘｒｔｔｏａｅｎｔｅｆｑｅｃｏｉａｒｐｓｄｌａｏｒｈｓｍｅｈｄｕｅｏｉａｉｎｏＧｆｔｒｏｒｔｉｒｅｕｎｙｃｎｅｔｒｍｈｒｉａｍａｅ，ａｄｕｅｏｏｎｓｄａｃｍｂｎｔｆＤｏｌｓｔｅａｎｍｏｅｆｑｅｃｏｔｎｓｆｏｉｅｒｏｔｅｏｉｎｉｇｓｎｓｄｃｌｒａｄｇｌｂｇｔｅｓｉｆｒｔｎｔｓｉｔｅｓｌｅｔｅｉｎｉｒｈｎｓｎｏｍａｉｅｔｏｏｍａｅｔａｉｎｇｏ．Ｗｅｕｅｅｍｅｎｓｉｔｏｏｉｅｉｄｐｉｅｔｒｓ — ｈｒｓｄｔａｈｆｍｅｈｄｃｍｂｎｄｗｔａａｔｈｅｈｈｔｈｖ
ｂｔｉｈｒｐｅｉｉｎａｄｂｔｒｒｃｌｔａｈｓａｅａａｙｉｍｅｈｄａｄＩｉｔｏ．ｏｈｈｇｅｒｃｓｏｎｅｔｅａｌｈｎｍｕｉｃｌｎｓｓｅｌｔｏｔ，ｍｅｈｄｎｔＳ
ＣｌｇｆＦｎｃｏｌｅｏｉａｅ＆Ｅｏｏｃ，ＨｕｉｎＪａｇｕ２３０ｅｎｃｎｍｉｓａ’ ｉｎｓ２０３，Ｃｉａ；ａｈｎ
２．Ｄｐｒｍｅｔｏｃａｉａｎｌｃｒｇｎｅｎ，ＪａｇｕＶｏａｉｎｎｃｎｃｌｅａｔｎｆＭｅｈｎｃａｄＥｅｔｃＥｎｉｅｒｇｉｎＳｃｔａａｄＴｅｈｉａｌｉｉｏｌ
ｏｅｏｏｅａｅｃｐｅｔｃｓｉｔｅｏｔａｔＴｅｅｐｒｅｔｓｌｈｗｔａｔｉｍｔｏｏｏ — ｌｍｔｄｆｍｔｌｎｙｍａｘｒｔａｅｇｎａｌｓｈｘｅｍｎａｒｕｔｓｏｔｈｓｅｈｄｎｔｎｄｈｒｈｓｉａｌｎｒｉ．ｉｌｅｓｈ
第２卷第期９８
文章编号：０６— ３８２１）８— ２８—０１０９４（０２００３４计算机仿真
２１年８０２月
基于频率域的图像显著性区域提取方法
管小卫丁，琳蒋道霞，
（．江苏财经职业技术学院计算机技术与艺术设计系，１江苏淮安２３０２０３；２．江苏财经职业技术学院机械与电子工程系，江苏淮安２３０）２０３