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:
Occluded Object Imaging Based on Collaborative Synthetic Aperture Photography Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Salient Object Detection from Single Haze Images via Dark Channel Prior and Region Covariance Descriptor

verfasst von : Nan Mu, Xin Xu, Xiaolong Zhang

Erschienen in: Intelligent Visual Surveillance

Verlag: Springer Singapore

Einloggen

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

search-config
loading …

Abstract

Due to degraded visibility and low contrast, object detection from single haze images faces great challenges. This paper proposed to use a computational model of visual saliency to cope with this issue. Superpixel-level saliency map is firstly abstracted via the dark channel prior. Then, region covariance descriptors are utilized to estimate local and global saliency of each superpixel. Besides, the graph model is incorporated as constraint to optimize the correlation between superpixels. Experimental results verify the validity and efficiency of the proposed saliency computational 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 Deep Multi-level Hashing Codes for Image Retrieval
Nächstes Kapitel Hybrid Patch Based Diagonal Pattern Geometric Appearance Model for Facial Expression Recognition
Literatur
1.
Tong, N., Lu, H., Yang, M.: Salient object detection via bootstrap learning. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 1884–1892 (2015)
2.
Zhang, J., Wang, M., Zhang, S., Li, X., Wu, X.: Spatiochromatic context modeling for color saliency analysis. IEEE Trans. Neural Netw. Learn. Syst. 27(6), 1177–1189 (2016)MathSciNetCrossRef
3.
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
4.
Rigas, I., Economou, G., Fotopoulos, S.: Efficient modeling of visual saliency based on local sparse representation and the use of hamming distance. Comput. Vis. Image Underst. 134, 33–45 (2015)CrossRef
5.
Nouri, A., Charrier, C., Lezoray, O.: Multi-scale mesh saliency with local adaptive patches for viewpoint selection. Sig. Process. Image Commun. 38, 151–166 (2015)CrossRef
6.
Xu, X., Mu, N., Chen, L., Zhang, X.: Hierarchical salient object detection model using contrast based saliency and color spatial distribution. Multimedia Tools Appl. 75(5), 2667–2679 (2015)CrossRef
7.
Zhang, X., Xu, C., Li, M., Teng, R.K.F.: Study of visual saliency detection via nonlocal anisotropic diffusion equation. Pattern Recogn. 48(4), 1315–1327 (2015)CrossRef
8.
Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., Susstrunk, S.: SLIC superpixels compared to state-of-the-art superpixel methods. IEEE Trans. Pattern Anal. Mach. Intell. 34(11), 2274–2282 (2012)CrossRef
9.
Yan, Q., Xu, L., Shi, J., Jia, J.: Hierarchical saliency detection. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 1155–1162 (2013)
10.
He, K., Sun, J., Tang, X.: Single image haze removal using dark channel prior. IEEE Trans. Pattern Anal. Mach. Intell. 33(12), 2341–2353 (2011)CrossRef
11.
Xu, X., Mu, N., Zhang, H., Fu, X.: Salient object detection from distinctive features in low contrast images. In: Proceedings of IEEE International Conference on Image Processing, pp. 3126–3130 (2015)
12.
Hou, X., Zhang, L.: Saliency detection: a spectral residual approach. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 1–8 (2007)
13.
Tuzel, O., Porikli, F., Meer, P.: Region covariance: a fast descriptor for detection and classification. In: Leonardis, A., Bischof, H., Pinz, A. (eds.) ECCV 2006. LNCS, vol. 3952, pp. 589–600. Springer, Heidelberg (2006). doi:10.​1007/​11744047_​45 CrossRef
14.
Forstner, W., Moonen, B.: A metric for covariance matrices. In: Grafarend, E.W., Krumm, W., Schwarze, V.S. (eds.) Geodesy-The Challenge of the 3rd Millennium, pp. 299–309. Springer, Berlin (2003)CrossRef
15.
Shen, X., Wu, Y.: A unified approach to salient object detection via low rank matrix recovery. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 853–860 (2012)
16.
Goferman, S., Zelnik-Manor, L., Tal, A.: Context-aware saliency detection. Proc. IEEE Trans. Pattern Anal. Mach. Intell. 34(10), 1915–1926 (2012)CrossRef
17.
Margolin, R., Tal, A., Zelnik-Manor, L.: What makes a patch distinct? In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 1139–1146 (2013)
18.
Yang, C., Zhang, L., Lu, H., Ruan, X., Yang, M.-H.: Saliency detection via graph-based manifold ranking. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 3166–3137 (2013)
19.
Zhu, W., Liang, S., Wei, Y., Sun, J.: Saliency optimization from robust background detection. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 2814–2821 (2014)
20.
Qin, Y., Lu, H., Xu, Y., Wang, H.: Saliency detection via cellular automata. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp. 110–119 (2015)
21.
Jiang, P., Vasconcelos, N., Peng, J.: Generic promotion of diffusion-based salient object detection. In: Proceedings of IEEE International Conference on Computer Vision, pp. 217–225 (2015)
Metadaten
Titel
Salient Object Detection from Single Haze Images via Dark Channel Prior and Region Covariance Descriptor
verfasst von
Nan Mu
Xin Xu
Xiaolong Zhang
Copyright-Jahr
2016
Verlag
Springer Singapore
Buch
Intelligent Visual Surveillance

Print ISBN: 978-981-10-3475-6

Electronic ISBN: 978-981-10-3476-3

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-981-10-3476-3_12