圖像顯著區(qū)域檢測是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn),圖像顯著區(qū)域檢測的目的是模擬人的視覺注意力機(jī)制,選擇出圖像中最吸引人的部分,為后續(xù)的圖像處理提供便利。圖像顯著區(qū)域檢測在圖像分割,目標(biāo)檢測,圖像檢索等領(lǐng)域都具有非常廣泛的應(yīng)用。隨著應(yīng)用領(lǐng)域的拓展以及應(yīng)用場景的復(fù)雜,顯著區(qū)域檢測技術(shù)還在不斷的發(fā)展。本文對圖像顯著區(qū)域檢測的相關(guān)理論以及已有的算法進(jìn)行了分析,并提出了兩種顯著區(qū)域檢測方法�；诰植匡@著信息的頻繁項(xiàng)挖掘顯著區(qū)域檢測方法具有較高的準(zhǔn)確性,但是檢測時使用的局部顯著信息會使檢測到的顯著區(qū)域不完整。為了讓檢測算法在考慮檢測準(zhǔn)確性的同時,還可以得到較完整的顯著區(qū)域,本文在基于頻繁項(xiàng)挖掘的顯著區(qū)域檢測算法中加入了基于輪廓特征的全局顯著信息,提出了基于局部與全局顯著信息的顯著區(qū)域檢測方法。實(shí)驗(yàn)表明該方法可以得到完整的顯著區(qū)域,可以提高圖像顯著區(qū)域檢測的準(zhǔn)確性�；谏窠�(jīng)網(wǎng)絡(luò)的顯著區(qū)域檢測算法是任務(wù)驅(qū)動的顯著區(qū)域檢測方法。為了使網(wǎng)絡(luò)能結(jié)合不同尺度的顯著區(qū)域信息,能夠利用已有的基于輪廓完整性的先驗(yàn)知識,同時不斷的修正自己的檢測結(jié)果,本文融合了顯著先驗(yàn)與輸入圖像,把全卷積神經(jīng)網(wǎng)絡(luò)中不同尺度的特征相互融合,采... 

【文章來源】：西北大學(xué)陜西省 211工程院校

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 研究發(fā)展與現(xiàn)狀
        1.2.1 自下而上模型
        1.2.2 自上而下模型
    1.3 本文的主要工作
    1.4 論文的結(jié)構(gòu)安排
第二章 圖像顯著區(qū)域檢測基本理論
    2.1 引言
    2.2 顯著區(qū)域檢測基本問題
    2.3 顯著區(qū)域檢測先驗(yàn)知識
    2.4 常用機(jī)器學(xué)習(xí)算法
        2.4.1 簡單線性迭代聚類
        2.4.2 基于結(jié)構(gòu)化隨機(jī)森林的快速邊緣檢測算法
        2.4.3 頻繁項(xiàng)挖掘
        2.4.4 隨機(jī)游走算法
    2.5 本章小結(jié)
第三章 基于局部與全局顯著信息的圖像顯著區(qū)域檢測
    3.1 引言
    3.2 基于局域與全局顯著信息的圖像顯著區(qū)域檢測
    3.3 對比實(shí)驗(yàn)
        3.3.1 參數(shù)設(shè)置
        3.3.2 實(shí)驗(yàn)結(jié)果對比
    3.4 本章小結(jié)
第四章 基于輪廓完整性顯著先驗(yàn)及多尺度特征融合遞歸全卷積神經(jīng)網(wǎng)絡(luò)的圖像顯著區(qū)域檢測
    4.1 引言
    4.2 基于輪廓完整性顯著先驗(yàn)及多尺度特征融合遞歸全卷積神經(jīng)網(wǎng)絡(luò)的顯著區(qū)域檢測
    4.3 對比實(shí)驗(yàn)
        4.3.1 參數(shù)與數(shù)據(jù)集選擇
        4.3.2 實(shí)驗(yàn)結(jié)果對比
    4.4 本章小結(jié)
總結(jié)與展望
    工作總結(jié)
    工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的學(xué)術(shù)成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]利用多尺度頻域分析的圖像顯著區(qū)域檢測[J]. 張巧榮,顧國昌,劉海波,肖會敏.  哈爾濱工程大學(xué)學(xué)報(bào). 2010(03)
[2]一個新的不需要候選集的挖掘關(guān)聯(lián)規(guī)則算法——Relim算法的研究[J]. 劉喜蘋,劉彩蘋,譚義紅.  計(jì)算技術(shù)與自動化. 2006(02)



本文編號：3184172