Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Improving Performance and Energy Efficiency for OFDMA Systems Using Adaptive Antennas and CoMP Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Saliency Based Object Detection and Enhancements in Static Images

verfasst von : Rehan Mehmood Yousaf, Saad Rehman, Hassan Dawood, Guo Ping, Zahid Mehmood, Shoaib Azam, Abdullah Aman Khan

Erschienen in: Information Science and Applications 2017

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Human visual system always focuses on the salient region of an image. From that region the salient features are obtained and can be collected by generating the saliency map. Natural statistics measures are used to measure the saliency from data collection of natural images. ICA filters are used to generate the saliency map that can blur the image. We have improved it by using different techniques like edge detection and morphological operations. By applying these algorithms we have successfully reduced the blur in images. That makes the salient objects more prominent by sharpening the edges. Proposed method is also compared with the state-of-the-art method like Achanta model.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Highly Robust and Secure Digital Image Encryption Technique
Nächstes Kapitel A Center Symmetric Padding Method for Image Filtering
Literatur
1.
Zhang, L., Marks, T.K., Tong, M.H., Shan, H., Cottrell, G.W.: SUN: a bayesian framework for saliency using natural statistics. J. Vis. 8(7), 1–20 (2008)CrossRef
2.
Hyvarinen, A., Oja, E.: A fast fixed-point algorithm for independent component analysis. Neural Comput. 9(7), 1483–1492 (1997)CrossRef
3.
Bell, A.J., Sejnowski, T.J.: An information-maximization approach to blind separation and blind deconvolution. Neural Comp. 7, 1129–1159 (1995)CrossRef
4.
Borji, A., Itti, L.: State-of-the-art in visual attention modeling. IEEE Trans. Pattern Anal. Mach. Intell. 35, 30–43 (2010)
5.
Itti, L., Koch, C., Niebur, E.: A model of saliency-based visual attention for rapid scene analysis. IEEE Trans. Pattern Anal. Mach. Intell. 20(11), 1254–1259 (1998)CrossRef
6.
Judd, T., Ehinger, K., Durand, F., Torralba, A.: Learning to predict where humans look. In: IEEE 12th International Conference on Computer Vision (2009)
7.
Bruce, N., Tsotsos, J.: Saliency based on information maximization. In: Weiss, Y., Schölkopf, B., Platt, J. (eds.) Advances in Neural Information Processing Systems, vol. 18, pp. 155–162. MIT Press, Cambridge (2006)
8.
Umbaugh, S.E.: Digital Image Processing and Analysis: Human and Computer Vision Applications with CVIPtools, 2nd edn. CRC Press, Boca Raton (2010). ISBN 9-7814-3980-2052
9.
Jähne, B., Scharr, H., Körkel, S.: Principles of filter design. In: Handbook of Computer Vision and Applications. Academic Press, Cambridge (1999)
10.
Sobel, I.: History and Definition of the Sobel Operator (2014)
11.
Dougherty, E.R.: An Introduction to Morphological Image Processing (1992). ISBN 0-8194-0845-X
12.
Efford, N.: Digital Image Processing: A Practical Introduction Using JavaTM. Pearson Education, Upper Saddle River (2000)
13.
Gonzalez, R.C., Woods, R.E.: Digital Image Processing, 3rd edn. Prentice Hall, Upper Saddle River (2008). ISBN 0-13-168728-8
14.
Haralick, R., Shapiro, L.: Computer and Robot Vision, vol. 1, Chap. 5. Addison-Wesley Publishing Company, Boston (1992)
15.
Jain, A.: Fundamentals of Digital Image Processing. Prentice-Hall, Upper Saddle River (1986)
16.
Itti, L., Koch, C.: Computational modeling of visual attention. Nat. Rev. Neurosci. 2(3), 194–203 (2001)CrossRef
17.
Avraham, T., Lindenbaum, M.: Esaliency: Meaningful attention using stochastic image modeling. IEEE Trans. Pattern Anal. Mach. Intell. 99(1) (2009)
18.
Bruce, N.D.B., Tsotsos, J.K.: Saliency, attention, andvisual search: an information theoretic approach. J. Vis. 9(3), 1–24 (2009)CrossRef
19.
Walther, D., Itti, L., Riesenhuber, M., Poggio, T., Koch, C.: Attentional selection for object recognition — a gentle way. In: Bülthoff, Heinrich, H., Wallraven, C., Lee, S.-W., Poggio, Tomaso, A. (eds.) BMCV 2002. LNCS, vol. 2525, pp. 472–479. Springer, Heidelberg (2002). doi:10.​1007/​3-540-36181-2_​47 CrossRef
20.
21.
Cheng, M.-M., Mitra, N.J., Huang, X., Hu, S.-M.: SalientShape: group saliency in image collections. Visual Comput. (2013)
22.
Hyvarinen, A., Oja, E.: Independent component analysis: algorithms and applications. Neural Netw. 13, 411–430 (2000)CrossRef
23.
Hyvarinen, A., Karhunen, J., Oja, E.: Independent Component Analysis, 481 pages. John Wiley & Sons, Toronto (2001)
24.
McKeown, M.J., Makeig, S., Brown, G.G., Jung, T., Kindermann, S.S., Bell, A.J., Sejnowski, T.J.: Analysis of fMRI data by blind separation into independent spatial components. Hum. Brain Mapp. 6, 160–188 (1998)CrossRef
25.
Achanta, R., Hemami, S., Estrada, F., Susstrunk, S.: Frequency-tuned salient region detection. In: IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2009, pp. 1597–1604, June 2009
26.
Hou, X., Zhang, L.: Saliency detection: a spectral residual approach, Department of Computer Science, Shanghai Jiao Tong University
27.
Achanta, R., Estrada, F., Wils, P., Süsstrunk, S.: Salient region detection and segmentation. In: Gasteratos, A., Vincze, M., Tsotsos, John, K. (eds.) ICVS 2008. LNCS, vol. 5008, pp. 66–75. Springer, Heidelberg (2008). doi:10.​1007/​978-3-540-79547-6_​7 CrossRef
28.
Mancas, M., Le Meur, O.: Memorability of natural scenes: the role of attention. In: Proceedings of the International Conference on Image Processing (IEEE ICIP 2013), Melbourne, Australia, September 15–18 (2013)
29.
Dawood, H., Dawood, H., Guo, P.: A hybrid image feature descriptor for classification. In: 2015 11th International Conference on Computational Intelligence and Security, (CIS 2015) (EI), pp. 58–61 (2015)
30.
Hassan, D., Dawood, H., Guo, P.: Removal of random-valued impulse noise by Khalimsky grid. In: Asia Pacific Conference on Multimedia and Broadcasting (APMediaCast 2015) (EI), vol. 1 (2015)
31.
Wang, Y., Dawood, H., Guo, P., Yin, Q.: A comparative study of different feature mapping methods for image annotation. In: The Seventh International Conference on Advanced Computational Intelligence (ICACI 2015). (EI) (2015)
32.
Dawood, H., Dawood, H., Guo, P.: Texture image classification with improved weber local descriptor. In: Rutkowski, L., Korytkowski, M., Scherer, R., Tadeusiewicz, R., Zadeh, Lotfi, A., Zurada, Jacek, M. (eds.) ICAISC 2014. LNCS (LNAI), vol. 8467, pp. 684–692. Springer, Heidelberg (2014). doi:10.​1007/​978-3-319-07173-2_​58 CrossRef
33.
Dawood, H., Dawood, H., Guo, P.: Global matching to enhance the strength of local intensity order pattern feature descriptor. In: Guo, C., Hou, Z.-G., Zeng, Z. (eds.) ISNN 2013. LNCS, vol. 7951, pp. 497–504. Springer, Heidelberg (2013). doi:10.​1007/​978-3-642-39065-4_​60 CrossRef
Metadaten
Titel
Saliency Based Object Detection and Enhancements in Static Images
verfasst von
Rehan Mehmood Yousaf
Saad Rehman
Hassan Dawood
Guo Ping
Zahid Mehmood
Shoaib Azam
Abdullah Aman Khan
Copyright-Jahr
2017
Verlag
Springer Singapore
Buch
Information Science and Applications 2017

Print ISBN: 978-981-10-4153-2

Electronic ISBN: 978-981-10-4154-9

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-981-10-4154-9_14

Neuer Inhalt

    Bildnachweise