本文關鍵詞：特征融合的顯著目標檢測方法研究

  更多相關文章： 顯著目標檢測 特征融合 流行排序 構圖先驗

【摘要】：顯著目標檢測是通過計算機檢測圖像中的主要內容,它是機器視覺的重要組成部分。由于人類視覺注意系統(tǒng)的進化與發(fā)展,人眼具備迅速而準確地捕獲圖像中顯著區(qū)域的特點,而隨著計算機視覺技術的需求與發(fā)展,人們越來越希望機器能夠跟人一樣,能夠快速而準確地搜索圖像中的主要內容。顯著目標檢測主要研究的就是人類的視覺注意系統(tǒng)并模擬人眼來檢測圖像中的重要區(qū)域。基于視覺注意機制的顯著目標檢測技術在圖像處理、人工智能等計算機視覺的多個領域都具有重要的研究意義。同時,該研究還可以應用在諸如圖像檢索、圖像分割、目標識別與跟蹤等各種領域中,它具有重要的應用意義。近年來,由于顯著目標檢測研究的重要性,它吸引了研究者們廣泛的關注,并逐步成為研究熱點。為了解決計算機在模擬人眼檢測圖像中的顯著區(qū)域時出現的準確率不高和速度慢等問題,研究者們提出了多種計算模型。本文對這些計算模型進行回顧與分析,并從特征融合的角度研究圖像顯著目標檢測方法。首先,傳統(tǒng)的顯著目標檢測算法大多是基于對比度特征的,這些算法雖然取得了一定的成果,但是由于目標個體的行為差異,對比度特征并不能適用于所有情況。所以,針對基于對比度特征算法的適應性不足問題,本文提出融合顏色區(qū)別性特征、邊界先驗特征以及objectness特征來進行顯著目標檢測。具體來說,本文先從目標角度提取圖像的顏色區(qū)別性特征,然后從背景角度根據邊界先驗提取圖像的邊界先驗特征,將提取到的這兩種特征進行線性融合以保持顯著信息的完整性。隨后,提取圖像的objectness特征,進行乘法融合來加強顯著性,最終得到顯著圖。其次,本文啟發(fā)于近年來基于邊界先驗的顯著目標檢測算法中關于圖像空間布局的思想,提出了融合構圖先驗特征的顯著檢測方法。從圖像的構成來看,副圖像的生成是符合一定的構圖法則的,比如最常見的三分構圖法。因此,本文做出這樣的假設：圖像的目標區(qū)域主要分布在三分構圖線周圍。并將這樣的知識稱之為構圖先驗。然后將顯著性檢測視為一個二分類的過程,并使用流行排序算法來計算顯著值。首先,根據流行排序算法對圖像進行多尺度超像素分割,然后根據超像素分割結果構造閉環(huán)圖；其次,提取構圖線區(qū)域超像素的顏色特征,根據構圖先驗知識將構圖線周圍的超像素設置為查詢節(jié)點,使用流行排序算法計算每個超像素的顯著值；然后,從目標和背景兩個角度對檢測的顯著區(qū)域進行細化并利用像素區(qū)別性特征對像素點的顯著值進行矯正；最后,為提高顯著檢測的準確性,融合多尺度顯著值得到最終顯著圖。融合構圖先驗的顯著目標檢測方法是根據圖像的空間布局,從構圖線角度研究顯著目標的分布。通過在MSRA-1000、CSSD以及ECSSD這三個公開的數據集上實驗驗證,表明本文的兩種方法跟其他算法相比,算法性能有較大的提升。
【關鍵詞】：顯著目標檢測 特征融合 流行排序 構圖先驗
【學位授予單位】：安徽大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要3-5
• Abstract5-10
• 第一章 緒論10-20
• 1.1 研究背景與意義10-12
• 1.2 國內外研究現狀12-17
• 1.3 本文主要工作與章節(jié)安排17-20
• 1.3.1 本文主要工作與創(chuàng)新點17-18
• 1.3.2 章節(jié)安排18-20
• 第二章 顯著性檢測的相關理論與算法20-31
• 2.1 人類視覺感知系統(tǒng)20-21
• 2.2 視覺注意機制21-23
• 2.3 顏色特征23-27
• 2.3.1 CIE Lab顏色空間與RGB顏色空間的相互轉換23-26
• 2.3.2 顏色特征描述法26-27
• 2.3.3 顏色對比度特征27
• 2.4 圖像分割算法27-28
• 2.4.1 SLIC超像素分割27-28
• 2.4.2 Mean-shift區(qū)域分割28
• 2.5 流行排序算法28-30
• 2.5.1 構造閉環(huán)圖29
• 2.5.2 流行排序29-30
• 2.6 本章小結30-31
• 第三章 特征融合與Objectness加強的顯著目標檢測31-37
• 3.1 算法基本原理32-33
• 3.2 顏色區(qū)別性特征33-34
• 3.3 邊界先驗特征34-35
• 3.4 Objectness特征35-36
• 3.5 融合36
• 3.6 本章小結36-37
• 第四章 融合多尺度構圖先驗的顯著目標檢測算法37-46
• 4.1 構圖先驗知識38-39
• 4.2 多尺度分割39-40
• 4.3 融合構圖先驗的顯著計算方法40-45
• 4.3.1 顯著計算40-41
• 4.3.2 細化顯著圖41-43
• 4.3.3 像素點顯著值矯正43-45
• 4.4 多尺度融合45
• 4.5 本章小結45-46
• 第五章 實驗結果與分析46-58
• 5.1 數據集與評價指標46-48
• 5.1.1 數據集46-47
• 5.1.2 評價指標47-48
• 5.2 特征融合與objectness加強的顯著目標檢測實驗結果48-51
• 5.2.1 評估各項特征48-49
• 5.2.2 MRSA-1000數據集49
• 5.2.3 CSSD數據集49-50
• 5.2.4 ECSSD數據集50
• 5.2.5 質量比較50-51
• 5.3 融合多尺度構圖先驗的顯著目標檢測實驗結果51-56
• 5.3.1 單一尺度與多尺度對比52
• 5.3.2 矯正與不矯正對比52-53
• 5.3.3 MSRA-1000數據集上比較53-54
• 5.3.4 CSSD數據集上比較54
• 5.3.5 ECSSD數據集上比較54-55
• 5.3.6 運行時間比較55-56
• 5.3.7 質量比較56
• 5.4 本章小結56-58
• 第六章 總結與展望58-60
• 6.1 本文總結58-59
• 6.2 本文展望59-60
• 參考文獻60-66
• 致謝66-67
• 攻讀學位期間發(fā)表的學術論文及其他成果67

【參考文獻】

中國期刊全文數據庫 前2條

1 王春瑤;陳俊周;李煒;;超像素分割算法研究綜述[J];計算機應用研究;2014年01期

2 田媚;羅四維;齊英劍;廖靈芝;;基于視覺系統(tǒng)“What”和“Where”通路的圖像顯著區(qū)域檢測[J];模式識別與人工智能;2006年02期

中國博士學位論文全文數據庫 前2條

1 李志強;視覺顯著性模型研究及其在影像處理中的應用[D];上海交通大學;2009年

2 單列;視覺注意機制的若干關鍵技術及應用研究[D];中國科學技術大學;2008年

中國碩士學位論文全文數據庫 前10條

1 鄒強;復雜背景下顯著性目標快速檢測技術研究[D];中國科學院研究生院（光電技術研究所）;2014年

2 郝秀琪;基于多特征的圖像檢索研究[D];大連理工大學;2015年

3 蔡萬利;視覺顯著計算及其在自然圖像感興趣目標檢測中的應用研究[D];南京理工大學;2014年

4 沙杰峰;基于人類視覺注意機制的顯著目標檢測與分割[D];華中科技大學;2014年

5 徐凱;基于顯著性分析的視覺注意模型研究[D];復旦大學;2013年

6 楊川;基于先驗融合和流形排序的顯著目標檢測[D];大連理工大學;2013年

7 胡旭;彩色空間下運動目標檢測與跟蹤問題研究[D];鄭州大學;2013年

8 王飛;基于上下文和背景的視覺顯著性檢測[D];大連理工大學;2013年

9 梁丹;基于視覺注意機制及區(qū)域生長的圖像分割方法研究[D];浙江大學;2013年

10 龐靜超;基于視覺特征空間對比分析的顯著性檢測算法研究[D];燕山大學;2012年

，

本文編號：518565