SAMF: Small-Area-Aware Multi-focus Image Fusion for Object Detection

要約

既存の多焦点画像融合 (MFIF) 方法では、不確実な遷移領域を保存できず、大きな焦点のぼけた領域内の小さな焦点領域を正確に検出できないことがよくあります。
この問題に対処するために、この研究では、物体検出能力を強化するための新しい小領域認識 MFIF アルゴリズムを提案します。
まず、小さな焦点領域と境界領域内のピクセル属性を強化し、その後視覚的顕著性検出と組み合わせて、焦点を当てたピクセルの分布を識別するために使用される融合前の結果を取得します。
ピクセルの焦点を正確に確保するために、ソース画像を焦点が合った領域、焦点が合っていない領域、および不確実な領域の組み合わせとして考慮し、3 つの領域のセグメンテーション戦略を提案します。
最後に、セグメンテーション決定マップを生成し、最終的な融合結果を取得するための効果的なピクセル選択ルールを設計します。
実験の結果、提案手法は物体検出性能を向上させながら、小さく滑らかな焦点領域を正確に検出でき、主観的評価と客観的評価の両方で既存の手法を上回ることが実証されました。
ソース コードは https://github.com/ixilai/SAMF で入手できます。

要約(オリジナル)

Existing multi-focus image fusion (MFIF) methods often fail to preserve the uncertain transition region and detect small focus areas within large defocused regions accurately. To address this issue, this study proposes a new small-area-aware MFIF algorithm for enhancing object detection capability. First, we enhance the pixel attributes within the small focus and boundary regions, which are subsequently combined with visual saliency detection to obtain the pre-fusion results used to discriminate the distribution of focused pixels. To accurately ensure pixel focus, we consider the source image as a combination of focused, defocused, and uncertain regions and propose a three-region segmentation strategy. Finally, we design an effective pixel selection rule to generate segmentation decision maps and obtain the final fusion results. Experiments demonstrated that the proposed method can accurately detect small and smooth focus areas while improving object detection performance, outperforming existing methods in both subjective and objective evaluations. The source code is available at https://github.com/ixilai/SAMF.

arxiv情報

著者 Xilai Li,Xiaosong Li,Haishu Tan,Jinyang Li
発行日 2024-01-31 12:18:10+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク