圖像顯著性檢測(cè)就是將圖像中最重要區(qū)域分割出來(lái)。解決圖像顯著性檢測(cè)問題通常涉及計(jì)算機(jī)視覺、神經(jīng)科學(xué),認(rèn)知心理學(xué)等領(lǐng)域的知識(shí)。近年來(lái),隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域取得了巨大的成就,深度學(xué)習(xí)的應(yīng)用在圖像顯著性檢測(cè)課題中也發(fā)揮了良好的效果,因此基于深度卷積神經(jīng)網(wǎng)絡(luò)的算法已成為解決圖像顯著性檢測(cè)的最有效的方法。但就目前的基于深度卷積神經(jīng)網(wǎng)絡(luò)的顯著性算法而言,其大多采用非常復(fù)雜的深度卷積網(wǎng)絡(luò)模型在做檢測(cè),這樣將依賴高昂的計(jì)算設(shè)備才能完成算法的實(shí)現(xiàn),使得這些算法無(wú)法被應(yīng)用到計(jì)算能力較小的移動(dòng)設(shè)備上也無(wú)法有效地做完成其他高級(jí)視覺問題的預(yù)處理過程。對(duì)于研究人員來(lái)說,提高基于神經(jīng)網(wǎng)絡(luò)的顯著性檢測(cè)算法的計(jì)算效率一般從兩個(gè)角度出發(fā),一是裁剪網(wǎng)絡(luò)結(jié)構(gòu),同時(shí)結(jié)合傳統(tǒng)特征提取方法進(jìn)行處理。另一種則是采用一種更輕量化的網(wǎng)絡(luò)來(lái)解決顯著性檢測(cè)問題。根據(jù)這兩點(diǎn)思路,本文分別提出兩種高效且不失精度的基于神經(jīng)網(wǎng)絡(luò)的顯著性檢測(cè)算法。首先是本文提出的融合低維特征提取層的深度卷積顯著性檢測(cè)算法,在該方法中本文提出了一個(gè)低維特征提取層,來(lái)將輸入圖像預(yù)先進(jìn)行特征提取并將其映射到校直的特征圖以作為全卷積網(wǎng)絡(luò)的輸入。其目的是對(duì)數(shù)據(jù)進(jìn)行降維來(lái)... 

【文章來(lái)源】：上海師范大學(xué)上海市

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

顯著性檢測(cè)示例圖

第一章緒論上海師范大學(xué)碩士論文2工智能等技術(shù)來(lái)提出一種智能、精確且高效的顯著性檢測(cè)算法是一件非常有價(jià)值的工作。目前為止，顯著性檢測(cè)作為計(jì)算機(jī)視覺領(lǐng)域的熱門研究領(lǐng)域之一，已經(jīng)被廣泛應(yīng)用到其他高級(jí)視覺領(lǐng)域來(lái)作為他們的預(yù)處理階段，如立體匹配[1]、視頻去模糊[2]、圖像和視頻壓縮[3][4]、內(nèi)容感知圖像編輯[5]、目標(biāo)識(shí)別[6]、語(yǔ)義分割[7]和視覺跟蹤[8]等。圖1-2華為手機(jī)圖片虛化功能演示1.2國(guó)內(nèi)外研究現(xiàn)狀近年來(lái)，顯著性檢測(cè)已經(jīng)成為計(jì)算機(jī)視覺、計(jì)算機(jī)圖像處理領(lǐng)域的熱門研究方向之一，不斷受到國(guó)內(nèi)外研究者的關(guān)注，進(jìn)而也產(chǎn)生了很多優(yōu)秀的研究成果。根據(jù)顯著性的國(guó)內(nèi)外發(fā)展現(xiàn)狀，本節(jié)將從兩個(gè)方面對(duì)其進(jìn)行回顧，即傳統(tǒng)顯著性檢測(cè)算法和基于深度卷積網(wǎng)絡(luò)的顯著性檢測(cè)算法。1.2.1傳統(tǒng)顯著性檢測(cè)算法顯著性算法早些年的研究中，其大多是傳統(tǒng)方法。在基于自底向上的顯著性算法的發(fā)展史上具有開創(chuàng)性的研究最早可以追溯到上世紀(jì)90年代Itti等[10]關(guān)于IT算法的研究。該研究受Koch和Ullman提出的視覺注意力機(jī)制啟發(fā)[11]，提出了一種基于中心環(huán)繞（CenterSurrounding）的視覺注意力機(jī)制的計(jì)算模型，來(lái)計(jì)算圖像中的顯著視點(diǎn)。中心環(huán)繞機(jī)制的核心思想就是相對(duì)于周圍的像素點(diǎn)，若在像素點(diǎn)在特征顏色（Colors），亮度（Intensity），或方向（Orientation）等特征上更加顯著，則其更有可能為顯著特征點(diǎn)。Itti的研究對(duì)基于顏色特征信息的顯

上海師范大學(xué)碩士論文第二章相關(guān)技術(shù)介紹7第二章相關(guān)技術(shù)介紹本章將對(duì)超像素分割算法，手工特征提取，深度神經(jīng)網(wǎng)絡(luò)，寬度神經(jīng)網(wǎng)絡(luò)，和后處理算法條件隨機(jī)場(chǎng)進(jìn)行詳細(xì)介紹。2.1超像素分割超像素分割算法是將圖像中特征相似像素聚集成區(qū)域的算法。其中有代表性的研究是Achanta等[34]提出SLIC（simplelineariterativeclustering）算法。SLIC算法的特點(diǎn)是根據(jù)圖像里像素的顏色（R，G，B）和坐標(biāo)位置（x，y）五維特征進(jìn)行聚類。該聚類方式類似于K-means算法，其最終所聚成的簇即為超像素。不同的是SLIC算法在聚類時(shí)其搜索空間是有限的，而不是對(duì)每個(gè)超像素都要搜索整張圖片。如圖2-1所示，圖2-1（a）所展示的是K-means算法的搜索空間，(a)標(biāo)準(zhǔn)K-means搜索(b)SLIC算法搜索圖2-1K-means和SLIC的搜索空間的比較[34]而圖2-1（b）是SLIC的搜索空間，具體地，對(duì)于一塊大小為×的超像素其搜索空間為2×2，因此SLIC算法運(yùn)行效率更高。SLIC算法大致過程如下：1.將圖像分為個(gè)大小相等且為×的圖像塊（patch），每一個(gè)圖像塊都是一個(gè)聚類，其聚類的中心被稱為超像素（superpixel）。假設(shè)圖像有個(gè)像素，則每個(gè)圖像塊的邊長(zhǎng)S=*+。2.對(duì)聚類中心進(jìn)行初始化，劃分圖像塊后，在每個(gè)圖像塊的中心點(diǎn)的3×3區(qū)域選取梯度最小的點(diǎn)作為聚類中心點(diǎn)。這樣可以防止采樣到的像素點(diǎn)是噪聲或是邊緣像素。

【參考文獻(xiàn)】：
期刊論文
[1]Salient object detection: A survey[J]. Ali Borji,Ming-Ming Cheng,Qibin Hou,Huaizu Jiang,Jia Li.  Computational Visual Media. 2019(02)
[2]BING: Binarized normed gradients for objectness estimation at 300fps[J]. Ming-Ming Cheng,Yun Liu,Wen-Yan Lin,Ziming Zhang,Paul L.Rosin,Philip H.S.Torr.  Computational Visual Media. 2019(01)
[3]基于穩(wěn)定樹的立體匹配視差優(yōu)化算法[J]. 季雨航,馬利莊.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2016(12)
[4]基于運(yùn)動(dòng)分割的視頻去模糊[J]. 譙從彬,盛斌,吳雯,馬利莊.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2015(11)
[5]顯著物體形狀結(jié)構(gòu)保持的圖像縮放方法[J]. 林曉,沈洋,馬利莊,鄒盼盼.  計(jì)算機(jī)科學(xué). 2014(12)



本文編號(hào)：3354993