發(fā)布時(shí)間：2021-08-29 11:09

　　圖像顯著性的檢測(cè)作為計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要研究方向,逐漸受到學(xué)者們的關(guān)注。其通常被作為圖像的一種預(yù)處理步驟,例如圖像檢索和圖像壓縮等。圖像顯著性檢測(cè)的主要目的是模仿人類視覺(jué)注意力機(jī)制來(lái)提取視覺(jué)顯著區(qū)域,即圖像中最吸引人類注意的區(qū)域。通過(guò)圖像顯著性檢測(cè)操作,能夠從大量視覺(jué)信息中選取少量的重要信息作進(jìn)一步的處理和分析,從而提高圖像處理效率。因此,圖像顯著性檢測(cè)技術(shù)的研究具有十分重要的意義。本文研究路線主要圍繞背景先驗(yàn)和多特征融合兩條主線展開(kāi)。為了將圖像背景和前景較好的分離,抑制背景噪聲,高亮顯著性目標(biāo)區(qū)域,得到更加純凈的顯著性檢測(cè)圖,本文提出了基于背景先驗(yàn)的顯著性檢測(cè)算法和多特征融合的顯著性檢測(cè)算法。第一種算法首先對(duì)圖像進(jìn)行邊界提取和超像素分割,將圖像四周邊界根據(jù)限定的閾值提取出來(lái)組成邊界集合,計(jì)算超像素邊界概率,得到優(yōu)化邊界集合后,再進(jìn)一步獲取純凈的背景節(jié)點(diǎn)集合。最后把所獲得的背景節(jié)點(diǎn)集合當(dāng)做先驗(yàn)知識(shí),根據(jù)顏色的不同得出的信息計(jì)算出全部超像素及背景節(jié)點(diǎn)之間的關(guān)系,最終得到基于背景先驗(yàn)的顯著性檢測(cè)圖。第二種算法針對(duì)目前常見(jiàn)算法采用全局特征單層次融合方法,導(dǎo)致局部信息的缺失顯著性僅僅被粗略... 

【文章來(lái)源】：河北科技大學(xué)河北省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

MZ算法結(jié)果圖

11()NkkkIIikkIIIIIIIIISi+++==∈...21nknnIIf=25502.2.4基于全局對(duì)比的顯著性檢測(cè)算法為了更好地捕捉圖像中的完全顯著性，得到完整的顯著性目標(biāo)，基于全局對(duì)比的顯著性檢測(cè)算法同樣重要。本文將LC算法作為全局對(duì)比的代表算法，其感知域?yàn)镸Z算法的數(shù)倍。LC算法過(guò)程如下：先來(lái)定義像素kI的顯著值公式：其中∈]255,0[iI，.表示兩個(gè)像素直接的顏色度量，N表示圖像中所有的像素個(gè)數(shù)。針對(duì)已經(jīng)明確要使用的輸入圖像，其各方面信息均已知，包括其顏色信息，并且給定了iI的取值范圍，因此可以將式（2-8）改寫為式（2-9）：nf表示對(duì)應(yīng)像素值nI在圖像中出現(xiàn)的頻率，通過(guò)使用直方圖統(tǒng)計(jì)可以得到此數(shù)值。LC算法作為全局對(duì)比方法的代表，該模型采用256個(gè)區(qū)間來(lái)分割顏色，再用直方圖進(jìn)行統(tǒng)計(jì)，使得計(jì)算量大大減小，該模型在計(jì)算方面比較高效簡(jiǎn)單。同時(shí)該顏色劃分方法也帶來(lái)了一定的弊端，使得顏色對(duì)比在該算法當(dāng)中不能完整的展現(xiàn)出來(lái)，這導(dǎo)致檢測(cè)效果不理想。圖2-2為該算法得到的顯著性結(jié)果圖：圖2-2LC算法結(jié)果圖2.3顯著性檢測(cè)常用數(shù)據(jù)集針對(duì)圖像顯著性檢測(cè)方法來(lái)說(shuō)，公開(kāi)數(shù)據(jù)中常用的有MSRA數(shù)據(jù)集[25]、SED-100數(shù)據(jù)集[26]、ECSSD數(shù)據(jù)集[27]以及JUDD數(shù)據(jù)集[28]等等。本文將從MSRA數(shù)據(jù)集中給出的1000幅圖像和ECSSD數(shù)據(jù)集中的1000幅圖像對(duì)本文提出的算法進(jìn)行測(cè)試。這些數(shù)據(jù)集的圖像不僅內(nèi)容豐富，而且種類多樣，色彩鮮明，非常適合作為顯著性檢測(cè)的測(cè)試數(shù)據(jù)集。這些數(shù)據(jù)集不僅提供了原始圖（2-8）（2-9）

12像，而且還提供了將這些圖像人工標(biāo)注的二值圖。(1)MSRA-1000數(shù)據(jù)集Achanta創(chuàng)建了MSRA-1000數(shù)據(jù)集，該數(shù)據(jù)集為MSRA數(shù)據(jù)集的子集，其中提供了更加精確的人工標(biāo)記。MSRA數(shù)據(jù)集中的圖像類型豐富，包含人物、風(fēng)景、動(dòng)物等圖像場(chǎng)景，相對(duì)比較簡(jiǎn)單。圖2-3為MSRA-1000中的圖像示例，其中第一行為原圖，第二行為對(duì)應(yīng)的人工標(biāo)記圖。圖2-3MSRA-1000數(shù)據(jù)集(2)ECSSD數(shù)據(jù)集ECSSD數(shù)據(jù)集包含1000幅顯著性檢測(cè)圖，該數(shù)據(jù)集中的顯著性檢測(cè)圖像相對(duì)于MSRA-1000數(shù)據(jù)集較為復(fù)雜，背景區(qū)域比較復(fù)雜，可以更好的區(qū)分各個(gè)顯著性檢測(cè)算法的性能。圖2-4為ECSSD-1000中的圖像示例，其中第一行為原圖，第二行為對(duì)應(yīng)的人工標(biāo)記圖。圖2-4ECSSD數(shù)據(jù)集2.4顯著性檢測(cè)結(jié)果性能指標(biāo)評(píng)價(jià)許多方法都可以用于評(píng)價(jià)顯著性檢測(cè)模型預(yù)測(cè)結(jié)果與人工標(biāo)記間的差異，將顯著圖和人工標(biāo)記圖（真值圖）進(jìn)行對(duì)比，評(píng)估檢測(cè)方法的優(yōu)劣。目前評(píng)價(jià)檢測(cè)方法的性能包含兩大類：主觀評(píng)價(jià)和客觀評(píng)價(jià)。2.4.1主觀評(píng)價(jià)主觀評(píng)價(jià)指的是通過(guò)肉眼觀察顯著圖和真值圖來(lái)評(píng)價(jià)所用算法的準(zhǔn)確程度和有

【參考文獻(xiàn)】：
期刊論文
[1]基于背景先驗(yàn)與低秩恢復(fù)的顯著性目標(biāo)檢測(cè)方法[J]. 申揚(yáng),李巍,剛毅凝,趙睿,郝躍冬,王超.  計(jì)算機(jī)與現(xiàn)代化. 2019(01)
[2]基于多特征融合的顯著性跟蹤算法[J]. 楊陽(yáng),周海英,王守義.  科學(xué)技術(shù)與工程. 2017(26)
[3]基于顯著性檢測(cè)的圖像匹配[J]. 劉超.  北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(03)
[4]基于顯著性局部定向模式和深度學(xué)習(xí)的魯棒人臉識(shí)別[J]. 吳迪,唐勇奇,林國(guó)漢,胡慧.  光電子·激光. 2016(06)
[5]基于顏色屬性直方圖的尺度目標(biāo)跟蹤算法研究[J]. 畢篤彥,庫(kù)濤,查宇飛,張立朝,楊源.  電子與信息學(xué)報(bào). 2016(05)
[6]融合顯著信息的層次特征學(xué)習(xí)圖像分類[J]. 祝軍,趙杰煜,董振宇.  計(jì)算機(jī)研究與發(fā)展. 2014(09)
[7]SDN研究簡(jiǎn)述[J]. 鄧書華,盧澤斌,羅成程,高協(xié)平.  計(jì)算機(jī)應(yīng)用研究. 2014(11)
[8]結(jié)合圖像信號(hào)顯著性的自適應(yīng)分塊壓縮采樣[J]. 王瑞,余宗鑫,杜林峰,萬(wàn)旺根.  中國(guó)圖象圖形學(xué)報(bào). 2013(10)
[9]面向低紋理圖像的快速立體匹配[J]. 張來(lái)剛,魏仲慧,何昕,孫群.  液晶與顯示. 2013(03)
[10]低秩矩陣恢復(fù)算法綜述[J]. 史加榮,鄭秀云,魏宗田,楊威.  計(jì)算機(jī)應(yīng)用研究. 2013(06)

博士論文
[1]視覺(jué)顯著性檢測(cè)方法與應(yīng)用研究[D]. 黃侃.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院上海技術(shù)物理研究所) 2017

碩士論文
[1]基于邊緣信息的顯著性區(qū)域檢測(cè)算法的研究[D]. 王豪聰.江南大學(xué) 2018
[2]基于重啟隨機(jī)游走與多層次圖模型的圖像顯著性檢測(cè)方法研究[D]. 何周琴.安徽大學(xué) 2018
[3]基于先驗(yàn)信息的圖像顯著性檢測(cè)[D]. 姚釗健.廣東工業(yè)大學(xué) 2018
[4]視覺(jué)顯著性檢測(cè)模型研究[D]. 蔣唯.中北大學(xué) 2018
[5]基于特征融合的復(fù)雜紋理圖像顯著性檢測(cè)[D]. 楊旭坤.西安電子科技大學(xué) 2017
[6]視覺(jué)注意顯著性檢測(cè)和多焦距圖像信息融合問(wèn)題研究[D]. 白鈳凡.吉林大學(xué) 2017
[7]結(jié)合局部特征與空間關(guān)系的多物體檢測(cè)算法研究[D]. 朱玉琨.上海交通大學(xué) 2014
[8]基于視覺(jué)注意機(jī)制及區(qū)域生長(zhǎng)的圖像分割方法研究[D]. 梁丹.浙江大學(xué) 2013



本文編號(hào)：3370540