神經生物學專家和認知心理學專家經過研究表明,人類視覺具有快速掌握視覺觀察場景中有趣顯眼的目標。為了使計算機可以獲取這種能力,越來越多的研究人員對視覺顯著性目標檢測技術進行研究,視覺顯著性目標檢測技術的研究已成為計算機視覺與圖像識別領域的熱門研究課題。視覺顯著性目標檢測技術的目的是為了能夠確定圖像中吸引人類視覺注意力的顯著區(qū)域,而不是僅僅的檢測圖像中的幾個顯著特征,所以它不僅可以加速視覺過程,還可以提高視覺任務的性能。因此視覺顯著性目標檢測技術的研究具有深遠的研究意義。雖然當前對視覺顯著性檢測技術的研究已經具有一定的研究成果,但針對圖像背景復雜或顯著目標過多時,導致顯著目標檢測結果精度和效率不高的問題依然存在。鑒于以上所述,本文將對視覺顯著性目標檢測技術展開介紹與研究,本文主要工作及研究創(chuàng)新如下:（1）視覺顯著性目標檢測技術近年來具有廣泛的應用研究,使其在圖像識別領域有著重要貢獻。本文將對視覺顯著性目標檢測技術的相關理論知識進行詳細的論述,并對視覺顯著性目標檢測技術是如何高效獲取圖像目標信息的方法給予介紹,同時,分析總結一些經典流行的顯著性檢測算法,并通過實驗仿真分析算法的性能優(yōu)劣,最終... 

【文章來源】：安徽工程大學安徽省

【文章頁數】：70 頁

【學位級別】：碩士

【部分圖文】：

圖２－１?ＩＴＴＩ算法顯著性檢測結果??－

?真值圖?ＩＴＴＩ顯著圖??圖２－１?ＩＴＴＩ算法顯著性檢測結果??Ｆｉｇｕｒｅ?２－１?ＩＴＴＩ?ａｌｇｏｒｉｔｈｍ?ｓａｌｉｅｎｃｙ?ｄｅｔｅｃｔｉｏｎ?ｒｅｓｕｌｔｓ??２．２．２基于圖的顯著性檢測??Ｈａｒｄ等人Ａ在ＩＴＴＩ模型處理的特征圖上運用馬爾科夫鏈［２８】的原理構建顯??著性檢測圖，因此通過結合生物學和計算機學提出了基于圖形的顯著性檢測算法??（ＧＢＶＳ算法）。首先是假設圖像的每一個像素是一個節(jié)點，并將這些節(jié)點看成是??連接的，這樣就形成一張全相連的像素圖；然后計算一個節(jié)點到另一個節(jié)點之間??的連接權重值，其中連接權重值的大小是由像素圖中兩節(jié)點之間特征值的差異性??和空間距離相互決定的；再利用隨機游走的方法搜尋節(jié)點；最終通過計算馬爾科??夫鏈隨機游走矩陣的相關算法得到顯著性檢測圖。??ＧＢＶＳ算法對于原圖Ｍ，定義兩個節(jié)點特征的差異，該差異由如下公式得到，??其中Ｍ（／ｊ）和歸＞，以分別代表圖像的節(jié)點特征值；??？？，川丨＿＋鐵?（２－５）??特征圖Ｍ中的節(jié)點（／

５（ｘ）?＝?ｇ（ｘ）＊?Ｓ￣ｌ［Ｑｘｐ（Ｒ｛ｆ）?＋?Ｐ（／））］２?（２－１４）??ＳＲ算法模型的顯著檢測圖如圖２－３所示，該算法模型的優(yōu)勢就是簡單高效??快捷，運算速率快，并且結果不依賴先驗知識的選擇。但是從頻域分析得到的顯??著檢測圖會丟失許多細節(jié)信息，從而導致圖像的邊界不清，不能明亮的顯示圖像??信息。??■■■■■■■■■??震：：??＿〇■??原圖?真值圖?ＳＲ顯著圖??圖２－３?ＳＲ算法顯著性結果??Ｆｉｇｕｒｅ?２－３?ＳＲ?ａｌｇｏｒｉｔｈｍ?ｓａｌｉｅｎｃｙ?ｄｅｔｅｃｔｉｏｎ?ｒｅｓｕｌｔｓ??２．２．４基于圖像頻域分析的顯著性檢測算法??Ａｃｈａｎｔａ等人［３３］通過對圖像局部的顏色和亮度兩種低級特征進行多尺度對??比，從而實現圖像低頻和高頻之間頻率修剪的顯著性檢測算法。此方法首先將圖??像通過高斯濾波［３４］得到圖像的像素值，再利用圖像的每個像素值和圖像的平均像??素值來定義像素點顯著值。最終將圖像通過多個疊加高斯濾波得到顯著圖。??ＦＴ算法主要通過利用多個高斯差分的結合來對圖像進行處理，高斯差分公??式：??（．ｘ２＋ｒ）?Ｗ）??叫以＾?１?（２，５）??＝Ｇ（ｘ９?ｙ，ｃｊｘ）－?Ｇ｛ｘ，?ｙ，?ａ２）??１０??

【參考文獻】：
期刊論文
[1]融合顯著性DPM在空對地車輛檢測中的應用[J]. 彭瑋航,劉少鵬,王軻,丁祝順.  傳感器與微系統(tǒng). 2019(01)
[2]融合圖像顯著性與特征點匹配的形變目標跟蹤[J]. 楊勇,閆鈞華,井慶豐.  中國圖象圖形學報. 2018(03)
[3]圖像亮度線索下的單目深度信息提取[J]. 馮帆,馬杰,岳子涵,沈亮.  中國圖象圖形學報. 2017(12)
[4]基于分數階四元數傅里葉變換和遺傳算法的彩色圖像自適應水印算法[J]. 陳北京,周春飛,王金偉,舒華忠.  東南大學學報(自然科學版). 2017(05)
[5]融合圖像場景及物體先驗知識的圖像描述生成模型[J]. 湯鵬杰,譚云蘭,李金忠.  中國圖象圖形學報. 2017(09)
[6]基于信息失真的光電成像系統(tǒng)優(yōu)化方法[J]. 任智斌,胡佳盛,唐洪浪,孫雅會.  應用光學. 2017(05)
[7]基于融合歐氏距離與Kendall Tau距離度量的譜聚類算法（英文）[J]. 光俊葉,邵偉,孫亮,張道強.  控制理論與應用. 2017(06)
[8]結合支持向量機和圖割的視頻分割[J]. 陳華榕,錢康來,王斌.  計算機輔助設計與圖形學學報. 2017(08)
[9]基于CRF-MR的自頂向下顯著性目標檢測方法[J]. 崔麗群,吳曉冬,趙越.  計算機應用研究. 2018(08)
[10]基于協(xié)方差矩陣的多特征融合跟蹤算法[J]. 金澤芬芬,侯志強,余旺盛,王鑫.  光學學報. 2017(09)



本文編號：3540687