圖像顯著性檢測是對圖像中人眼關(guān)注的區(qū)域進(jìn)行檢測,在圖像標(biāo)記、語義分割、圖像壓縮和圖像內(nèi)容感知等圖像處理方面有著廣泛的應(yīng)用。高效的圖像顯著性檢測算法可以提取出有價值的圖像區(qū)域,大大提高圖像處理的效率。近年來,圖像顯著性檢測作為計算機(jī)視覺研究中的關(guān)鍵技術(shù),受到了大量國內(nèi)外學(xué)者的關(guān)注。在當(dāng)前的圖像顯著性檢測算法當(dāng)中,傳統(tǒng)的基于數(shù)學(xué)理論手動提取特征獲取圖片顯著區(qū)域的方法能夠很好的檢測顯著對象的細(xì)節(jié)信息,但在檢測顯著對象的全局信息方面有所欠缺,并對噪點相對比較敏感,基于語義特征的檢測算法能夠準(zhǔn)確的檢測出具有代表類別的顯著性對象,但對顯著目標(biāo)細(xì)節(jié)的檢測能力略顯不足。為此,本文基于并行化網(wǎng)絡(luò)結(jié)構(gòu)對圖像顯著性檢測展開了研究,研究內(nèi)容主要包括以下三個方面:（1）針對單一類型的顯著性信息不能很好的解決顯著對象定位和顯著對象與背景之間邊界細(xì)化的情況,提出了一種通過提取混合特征來檢測圖像顯著性的方法,該方法融合了圖像區(qū)域?qū)Ρ刃畔⒑蛨D像中的語義信息。融合后的混合特征圖同時具備了處理顯著對象定位問題和顯著對象與背景邊界細(xì)化問題的能力,實現(xiàn)了通過多類別顯著性信息進(jìn)行圖像顯著性檢測的目的。（2）在混合特征的構(gòu)建過程中... 

【文章來源】：江蘇大學(xué)江蘇省

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

算法檢測測試圖

基于并行化卷積神經(jīng)網(wǎng)絡(luò)的圖像顯著性檢測研究2息，因而，如何有效的整合圖像的宏觀信息和微觀信息成為了圖像顯著性檢測算法需要解決的關(guān)鍵問題。當(dāng)前比較流行的顯著性檢測算法主要分為兩種，其中包括基于圖像顏色信息、紋理信息以及邊緣信息等低級特征的顯著性檢測算法。這種方法能夠很好的發(fā)現(xiàn)圖像信息中的細(xì)節(jié)特征，并將其應(yīng)用在顯著目標(biāo)檢測上，因而在檢測顯著目標(biāo)的邊緣細(xì)化方面以及細(xì)節(jié)處理上有著良好的效果。然而過分考慮顯著對象的細(xì)節(jié)處理所帶來的問題則是這一類方法在檢測顯著目標(biāo)對象全局信息的能力上有所欠缺，并且對噪點相對比較敏感。另外一種則是基于圖像中的對象全局信息以及對象與對象之間的聯(lián)系來進(jìn)行圖像顯著性檢測的方法。通過對圖像全局信息的分析，根據(jù)訓(xùn)練樣本中具有代表性的特征來檢測某些固定類型的顯著對象。同樣的，這類偏向于分析圖像整體信息的算法在檢測訓(xùn)練樣本中具有代表性類別的顯著對象方面有著很好的表現(xiàn)，然而這類算法在顯著目標(biāo)細(xì)節(jié)的檢測上能力略顯不足，檢測結(jié)果的顯著圖會比較粗糙，如圖1.1和圖1.2所示。圖1.1算法檢測測試圖Fig.1.1Algorithmdetectiontestimage圖1.2算法檢測結(jié)果Fig.1.2Algorithmdetectionresults深度學(xué)習(xí)算法能夠通過基于卷積運算的神經(jīng)網(wǎng)絡(luò)[24-26]進(jìn)行圖像顯著性檢測。神經(jīng)網(wǎng)絡(luò)系統(tǒng)中多層的卷積運算處理，一層一層的將圖像中最開始的低級特征表示轉(zhuǎn)化成高級的語義特征表示，它能夠模仿人類的視覺注意力機(jī)制學(xué)習(xí)圖像中具有顯著性對象的特征表述[27]，通過學(xué)習(xí)訓(xùn)練樣本數(shù)據(jù)中的顯著對象特征表述來完成圖像中顯著目標(biāo)區(qū)域和背景區(qū)域的劃分。近年來，基于深度學(xué)習(xí)網(wǎng)絡(luò)的顯著性檢測方法也層出不窮，并且相較于傳統(tǒng)的檢測方法基于深度學(xué)習(xí)網(wǎng)絡(luò)的方法都表現(xiàn)出了相對較好的檢測效果。

江蘇大學(xué)工學(xué)碩士學(xué)位論文19檢測模型用于模擬完整圖像的顯著性，而局部語境檢測模型則用于區(qū)域級顯著性檢測。全局和局部語境被集成到多語境深度學(xué)習(xí)框架中，用于檢測最終的圖像顯著性。通過圖像分割算法將圖像劃分成不同的像素簇，以待檢測像素簇為中心包含整個圖像內(nèi)容在內(nèi)的矩形區(qū)域作為全局語境檢測神經(jīng)網(wǎng)絡(luò)模型的輸入，圖像邊界以外的區(qū)域用該圖像區(qū)域中像素點的平均值代替。然后將填充后的圖像作為神經(jīng)網(wǎng)絡(luò)的輸入來檢測該區(qū)域在全局語境下的信息特征。利用這種提出的填充方案能夠保證檢測區(qū)域的像素簇總是位于輸入圖像的中心。網(wǎng)絡(luò)結(jié)構(gòu)的最后一層有2個神經(jīng)元，隨后是一個softmax函數(shù)作為輸出，表明中心待檢測像素簇的顯著度。算法結(jié)構(gòu)如圖2.1所示。圖2.1MCDL算法網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2.1NetworkstructurediagramofMCDLalgorithm在MCDL算法結(jié)構(gòu)圖中，上分支網(wǎng)絡(luò)為基于深度卷積神經(jīng)網(wǎng)絡(luò)的全局信息檢測模型，以像素簇為中心且填充值為平均像素值的窗口作為輸入，用于檢測圖像區(qū)域在全局信息下的顯著性。下分支網(wǎng)絡(luò)則更加關(guān)注以像素簇為中心的窗口局部信息建模。然后是將全局顯著性檢測結(jié)果和局部顯著信息檢測結(jié)果組合在一起的全連接層，網(wǎng)絡(luò)的最后通過SoftMax函數(shù)作為輸出得到最終的顯著圖。在圖像顯著性檢測卷積網(wǎng)絡(luò)模型框架中，上分支的全局語境檢測模型能夠很好的突出圖像的顯著區(qū)域，下分支模型則是通過對局部信息的分析來優(yōu)化顯著對象的細(xì)節(jié)處理，對中心像素簇的顯著結(jié)果進(jìn)行優(yōu)化預(yù)測。在這項工作中，局部信息分析模型采用與全局內(nèi)容分析模型相似形式的輸入，但只有全局語境分析模型輸入范圍的三分之一。局部內(nèi)容分析模型與全局內(nèi)容分析模型共享相同的深層結(jié)構(gòu)，但具有獨立參數(shù)，其他深層結(jié)構(gòu)也可以靈活地并入局部內(nèi)容分析模型中。在

【參考文獻(xiàn)】：
期刊論文
[1]惰性隨機(jī)游走視覺顯著性檢測算法[J]. 李波,盧春園,金連寶,冷成財.  中國圖象圖形學(xué)報. 2016(09)
[2]引入視覺注意機(jī)制的目標(biāo)跟蹤方法綜述[J]. 黎萬義,王鵬,喬紅.  自動化學(xué)報. 2014(04)
[3]基于灰度共生矩陣的紋理特征提取[J]. 高程程,惠曉威.  計算機(jī)系統(tǒng)應(yīng)用. 2010(06)



本文編號：3569625