本文選題：顯著性檢測(cè)　切入點(diǎn)：超像素　出處：《吉林大學(xué)》2017年碩士論文

【摘要】：目標(biāo)(即對(duì)象、人、像素等)的顯著性是相對(duì)于其鄰居突出的狀態(tài)或特性。顯著性檢測(cè)被認(rèn)為是一個(gè)關(guān)鍵的注意力機(jī)制,用以促進(jìn)學(xué)習(xí)和生存。通過(guò)使有機(jī)體將其有限的感知和認(rèn)知資源集中在可用的感應(yīng)數(shù)據(jù)的最相關(guān)的子集,有機(jī)體可以利用最少的能量獲取最多的知識(shí)。顯著性通常源自項(xiàng)目及其鄰域之間的對(duì)比,諸如由白點(diǎn)圍繞的紅點(diǎn),應(yīng)答機(jī)的閃爍消息指示符,或者在其他安靜環(huán)境中的大噪聲。顯性檢測(cè)通常在視覺(jué)系統(tǒng)的上下文中進(jìn)行研究,但類似的機(jī)制在其他感應(yīng)系統(tǒng)中操作。什么是顯著的這個(gè)定義可以通過(guò)接受訓(xùn)練的方式來(lái)解決:例如,對(duì)于人類受試者,特定的信息可以通過(guò)訓(xùn)練變得突出。當(dāng)注意力的部署由顯著性刺激驅(qū)動(dòng)時(shí),它被認(rèn)為是自下而上,無(wú)記憶和反應(yīng)性的。注意機(jī)制也可以由自上而下,記憶相關(guān)或預(yù)期的機(jī)制來(lái)指導(dǎo),例如在越過(guò)街道之前向前看運(yùn)動(dòng)對(duì)象或側(cè)向。人類和其他動(dòng)物難以同時(shí)注意多個(gè)項(xiàng)目,因此他們面臨著不斷地整合和優(yōu)先考慮不同的自下而上和自上而下的影響的挑戰(zhàn)。顯著性檢測(cè)算法已經(jīng)成為CV領(lǐng)域一項(xiàng)實(shí)用的工具。目前所有的顯著性檢測(cè)算法可以分成兩個(gè)種類:自頂向下的檢測(cè)算法和自底向上的檢測(cè)算法,目前的主流依舊是自底向上的檢測(cè)算法。在這篇論文中,本文提出一個(gè)新穎的自底向上的方法:基于邊緣對(duì)比度(boundary prior,邊緣先驗(yàn)知識(shí))的圖像顯著性檢測(cè)算法。本文提出的方法在便于實(shí)現(xiàn)的同時(shí),也保證了檢測(cè)的質(zhì)量。本文通過(guò)以下幾步來(lái)獲得超像素的分割:首先,利用超像素算法——SLIC算法,對(duì)被檢測(cè)的源圖像進(jìn)行預(yù)分割,因而可以將它分割成一系列緊密均勻一致的超像素塊。第二步,提取相應(yīng)的超像素塊的一系列特征值。第三步,為了強(qiáng)調(diào)距離當(dāng)前超像素塊更近的邊緣超像素塊的作用,本文繼而計(jì)算每個(gè)超像素兩個(gè)特征值:一個(gè)是邊緣不相似性的值,另一個(gè)是超像素塊到邊緣超像素塊的最短路徑。第四步,通過(guò)計(jì)算,將超像素不相似性和到邊緣超像素的最短路徑長(zhǎng)度值融合在一起,從而計(jì)算出每個(gè)超像素屬于背景區(qū)域的概率。第五步,通過(guò)一系列的最優(yōu)化方法優(yōu)化顯著性概率值,得到最終的顯著值結(jié)果,本文也將展示如何推導(dǎo)這個(gè)最優(yōu)化公式。最后,將超像素的值賦予相應(yīng)的像素點(diǎn),得到最終的顯著圖。最后通過(guò)大量的對(duì)比實(shí)驗(yàn)來(lái)證明算法的有效性和優(yōu)秀效果。
[Abstract]:The salience of a target (i.e. an object, a person, a pixel, etc.) is the state or characteristic that stands out relative to its neighbor.Salience testing is considered to be a key attention mechanism to promote learning and survival.By enabling organisms to concentrate their limited perceptual and cognitive resources on the most relevant subsets of available sensing data, organisms can acquire the most knowledge with the least amount of energy.Salience is usually derived from comparisons between items and their neighbors, such as red dots surrounded by white dots, flickering message indicators of transponders, or large noises in other quiet environments.Explicit detection is usually studied in the context of visual systems, but similar mechanisms operate in other sensing systems.This definition of what is significant can be solved by training: for example, for human subjects, specific information can become prominent through training.When attention deployment is driven by significant stimuli, it is considered bottom-up, memoryless and reactive.Attention mechanisms can also be guided by top-down, memory-related or anticipated mechanisms, such as looking forward or sideways before crossing the street.Humans and other animals have difficulty paying attention to multiple projects at the same time, so they face the challenge of continuously integrating and prioritizing different bottom-up and top-down impacts.Significance detection algorithm has become a practical tool in CV field.At present, all significant detection algorithms can be divided into two categories: top-down detection algorithm and bottom-up detection algorithm, the current mainstream is the bottom-up detection algorithm.In this paper, a novel bottom-up approach is proposed: an image salience detection algorithm based on edge contrast boundary prior.The method proposed in this paper is easy to realize and also ensures the quality of detection.In this paper, the super-pixel segmentation is obtained by the following steps: firstly, the source image is presegmented by using the super-pixel algorithm (SLIC), so that it can be divided into a series of compact uniform superpixel blocks.In the second step, a series of eigenvalues of the corresponding hyperpixel blocks are extracted.Third, in order to emphasize the role of edge superpixel blocks closer to the current superpixel blocks, this paper then calculates two eigenvalues for each superpixel: one is the edge dissimilarity.The other is the shortest path from the hyperpixel block to the edge superpixel block.In the fourth step the super-pixel dissimilarity and the shortest path length to the edge super-pixel are fused together so as to calculate the probability of each super-pixel belonging to the background region.In the fifth step, through a series of optimization methods to optimize the significant probability value, the final significant value result is obtained. This paper will also show how to deduce this optimization formula.Finally, the value of the super pixel is assigned to the corresponding pixel, and the final salience diagram is obtained.Finally, through a large number of comparative experiments to prove the effectiveness and excellent effect of the algorithm.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 程彩娟;“八后問(wèn)題”的算法與程序設(shè)計(jì)[J];天津職業(yè)技術(shù)師范學(xué)院學(xué)報(bào);1991年02期

2 葛磊;武芳;王鵬波;張冬林;;3維建筑綜合中基于最小特征的面平移算法[J];測(cè)繪科學(xué)技術(shù)學(xué)報(bào);2009年02期

3 駱雯,孫延明,陳振威,陳錦昌;判斷點(diǎn)與封閉多邊形相對(duì)關(guān)系的改進(jìn)算法[J];機(jī)械;1999年03期

4 李林;盧顯良;;一種基于切割映射的規(guī)則沖突消除算法[J];電子學(xué)報(bào);2008年02期

5 劉巧玲;張紅英;林茂松;;一種簡(jiǎn)單快速的圖像去霧算法[J];計(jì)算機(jī)應(yīng)用與軟件;2013年07期

6 林亞平,楊小林;快速概率分析進(jìn)化算法及其性能研究[J];電子學(xué)報(bào);2001年02期

7 章郡鋒;吳曉紅;黃曉強(qiáng);何小海;;基于暗原色先驗(yàn)去霧的改進(jìn)算法[J];電視技術(shù);2013年23期

8 楊鐵軍;靳婷;;一種動(dòng)態(tài)整周模糊值求解算法及其仿真分析[J];系統(tǒng)工程與電子技術(shù);2007年01期

9 周秀玲;郭平;陳寶維;王靜;;幾種計(jì)算超體積算法的比較研究[J];計(jì)算機(jī)工程;2011年03期

10 吳一戎,胡東輝,彭海良;Chirp Scaling SAR成象算法及其實(shí)現(xiàn)[J];電子科學(xué)學(xué)刊;1995年03期

相關(guān)會(huì)議論文 前10條

1 尹冀鋒;;一種新的圖象自適應(yīng)增強(qiáng)算法[A];四川省通信學(xué)會(huì)一九九二年學(xué)術(shù)年會(huì)論文集[C];1992年

2 寧春平;田家瑋;郭延輝;王影;張英濤;鄭桂霞;劉研;;計(jì)算機(jī)輔助增強(qiáng)、分割算法在鑒別乳腺良、惡性腫塊中的應(yīng)用價(jià)值[A];中華醫(yī)學(xué)會(huì)第十次全國(guó)超聲醫(yī)學(xué)學(xué)術(shù)會(huì)議論文匯編[C];2009年

3 謝麗聰;;SVB查詢改寫算法的改進(jìn)[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

4 鄭存紅;;復(fù)雜背景下相關(guān)跟蹤算法研究及DSP實(shí)現(xiàn)[A];中國(guó)光學(xué)學(xué)會(huì)2010年光學(xué)大會(huì)論文集[C];2010年

5 楊文杰;吳軍;;RFID抗沖突算法研究[A];2008通信理論與技術(shù)新進(jìn)展——第十三屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集（上）[C];2008年

6 高山;畢篤彥;魏娜;;一種基于UPF的小目標(biāo)TBD算法[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

7 周磊;張衛(wèi)華;王曉奇;張軍;;基于流水算法的智能路障機(jī)器人設(shè)計(jì)[A];2011年全國(guó)電子信息技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2011年

8 潘巍;李戰(zhàn)懷;陳群;索博;李衛(wèi)榜;;面向MapReduce的非對(duì)稱分片復(fù)制連接算法優(yōu)化技術(shù)研究[A];第29屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（B輯）（NDBC2012）[C];2012年

9 李偉偉;蔡康穎;鄭新;王文成;;3D模型中重復(fù)結(jié)構(gòu)的多尺度快速檢測(cè)算法[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

10 楊任爾;陳懇;勵(lì)金祥;;基于棱邊方向檢測(cè)的運(yùn)動(dòng)自適應(yīng)去隔行算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

相關(guān)重要報(bào)紙文章 前1條

1 國(guó)泰君安資產(chǎn)管理部;“算法交易”是道指暴跌罪魁禍?zhǔn)?[N];上海證券報(bào);2010年

相關(guān)博士學(xué)位論文 前10條

1 馮輝;網(wǎng)絡(luò)化的并行與分布式優(yōu)化算法研究及應(yīng)用[D];復(fù)旦大學(xué);2013年

2 許玉杰;云計(jì)算環(huán)境下海量數(shù)據(jù)的并行聚類算法研究[D];大連海事大學(xué);2014年

3 李琰;基于貓群算法的高光譜遙感森林類型識(shí)別研究[D];東北林業(yè)大學(xué);2015年

4 陳加順;海洋環(huán)境下聚類算法的研究[D];南京航空航天大學(xué);2014年

5 王洋;基于群體智能的通信網(wǎng)絡(luò)告警關(guān)聯(lián)規(guī)則挖掘算法研究[D];太原理工大學(xué);2015年

6 雷雨;面向考試時(shí)間表問(wèn)題的啟發(fā)式進(jìn)化算法研究[D];西安電子科技大學(xué);2015年

7 熊霖;大數(shù)據(jù)下的數(shù)據(jù)選擇與學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2015年

8 周雷;基于圖結(jié)構(gòu)的目標(biāo)檢測(cè)與分割算法研究[D];上海交通大學(xué);2014年

9 王冰;人工蜂群算法的改進(jìn)及相關(guān)應(yīng)用的研究[D];北京理工大學(xué);2015年

10 周旭;復(fù)雜網(wǎng)絡(luò)中社區(qū)發(fā)現(xiàn)算法研究[D];吉林大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 姚鑫宇;EMD去噪與MUSIC算法在DOA估計(jì)中的聯(lián)合應(yīng)用[D];昆明理工大學(xué);2015年

2 陸進(jìn);面向含噪數(shù)據(jù)聚類相關(guān)算法的研究[D];復(fù)旦大學(xué);2014年

3 李家昌;基于能量約束的超聲圖像自動(dòng)分割算法[D];華南理工大學(xué);2015年

4 陳堅(jiān);基于密度和約束的數(shù)據(jù)流聚類算法研究[D];蘭州大學(xué);2015年

5 高健;基于Zynq7000平臺(tái)的去霧算法研究及實(shí)現(xiàn)[D];南京理工大學(xué);2015年

6 顧磊;基于Hadoop的聚類算法的數(shù)據(jù)優(yōu)化及其應(yīng)用研究[D];南京信息工程大學(xué);2015年

7 楊燕霞;基于Hadoop平臺(tái)的并行關(guān)聯(lián)規(guī)則挖掘算法研究[D];四川師范大學(xué);2015年

8 王羽;基于MapReduce的社區(qū)發(fā)現(xiàn)算法的設(shè)計(jì)與實(shí)現(xiàn)[D];南京理工大學(xué);2015年

9 許振佳;流式數(shù)據(jù)的并行聚類算法研究[D];曲阜師范大學(xué);2015年

10 董琴;人工蜂群算法的改進(jìn)與應(yīng)用[D];大連海事大學(xué);2015年

，

本文編號(hào)：1718236