人類憑借眼睛和神經(jīng)系統(tǒng)可以在極短的時間內(nèi)發(fā)現(xiàn)場景中有價值的信息,若能使計算機(jī)具備這種快速信息提取能力,便可使它們高效地服務(wù)人類生活。圖像顯著性檢測就是讓計算機(jī)擁有人類的視覺注意力機(jī)制,利用圖像自身特征計算出每個像素點(diǎn)屬于前景的概率,進(jìn)而分割出圖像中的顯著物體。本文根據(jù)人類的注意力機(jī)制,對自底向上的圖像顯著性檢測方法進(jìn)行研究,并將靜態(tài)圖像顯著性檢測方法與視頻中圖像的運(yùn)動信息結(jié)合,從而計算視頻序列中多幀圖像的顯著性,主要研究內(nèi)容如下:（1）針對當(dāng)前圖像顯著性檢測算法存在的邊緣檢測不清晰和內(nèi)部不均勻的問題,提出一種以無向權(quán)重圖為基礎(chǔ),結(jié)合多特征傳播計算圖像顯著性的檢測方法。首先以超像素為節(jié)點(diǎn)構(gòu)建無向圖并改進(jìn)邊界超像素的連接方式。在改進(jìn)的圖的基礎(chǔ)上利用圖像顏色、紋理特征和局部對比及中心先驗(yàn)等多種先驗(yàn)知識提取高層特征,并得到基于底層特征的顯著圖。其次,利用高層特征和顯著物體的緊湊性分別計算基于前景、背景種子的顯著圖并融合。最后,將兩階段得到的顯著圖融合得到最終的顯著圖。實(shí)驗(yàn)表明該算法能更清晰的檢測出顯著物體的邊緣,且能均勻突出整個顯著區(qū)域。（2）針對復(fù)雜環(huán)境下,當(dāng)前圖像顯著性檢測算法難以正確檢測... 

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究的背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 論文結(jié)構(gòu)
第二章 相關(guān)理論基礎(chǔ)
    2.1 視覺注意力機(jī)制
        2.1.1 對比度原理
        2.1.2 center-surround原理
        2.1.3 邊界先驗(yàn)原理
    2.2 圖像顯著特征
        2.2.1 顏色特征
        2.2.2 紋理特征
        2.2.3 輪廓特征
        2.2.4 運(yùn)動特征
    2.3 常用的顯著性檢測模型
        2.3.1 流形排序算法
        2.3.2 元胞自動機(jī)模型
        2.3.3 稀疏表示理論
    2.4 數(shù)據(jù)集和評價標(biāo)準(zhǔn)
        2.4.1 數(shù)據(jù)集
        2.4.2 評價指標(biāo)
    2.5 本章小結(jié)
第三章 基于圖和多特征傳播的圖像顯著性檢測
    3.1 引言
    3.2 算法思想
    3.3 顯著圖計算方法
        3.3.1 圖的構(gòu)建
        3.3.2 基于底層特征的顯著圖
        3.3.3 基于高層特征的顯著圖
        3.3.4 顯著圖融合
    3.4 算法步驟
    3.5 仿真結(jié)果與分析
        3.5.1 參數(shù)設(shè)置
        3.5.2 定性分析
        3.5.3 定量分析
    3.6 本章小結(jié)
第四章 稀疏重構(gòu)和緊湊性結(jié)合的圖像顯著性檢測
    4.1 引言
    4.2 算法思想
    4.3 顯著圖計算方法
        4.3.1 圖像主結(jié)構(gòu)提取
        4.3.2 提取背景模板
        4.3.3 稀疏重構(gòu)
        4.3.4 緊湊性計算
        4.3.5 顯著圖融合
    4.4 算法步驟
    4.5 仿真結(jié)果與分析
        4.5.1 參數(shù)設(shè)置
        4.5.2 定性分析
        4.5.3 定量分析
    4.6 本章小結(jié)
第五章 融合靜態(tài)和運(yùn)動信息的視頻顯著性檢測
    5.1 引言
    5.2 算法思想
    5.3 視頻顯著性計算方法
        5.3.1 基于靜態(tài)信息的顯著性計算
        5.3.2 基于運(yùn)動信息的顯著性計算
        5.3.3 顯著圖融合
        5.3.4 全局優(yōu)化
    5.4 算法步驟
    5.5 仿真結(jié)果與分析
        5.5.1 參數(shù)設(shè)置
        5.5.2 定性分析
        5.5.3 定量分析
    5.6 本章小結(jié)
第六章 主要結(jié)論與展望
    6.1 主要結(jié)論
    6.2 展望
致謝
參考文獻(xiàn)
附錄 :作者在攻讀碩士學(xué)位期間發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]基于非下采樣輪廓小波變換增強(qiáng)的從粗到精的顯著性檢測[J]. 劉冬梅,常發(fā)亮.  光學(xué)學(xué)報. 2019(01)
[2]基于多圖流形排序的圖像顯著性檢測[J]. 于明,李博昭,于洋,劉依.  自動化學(xué)報. 2019(03)
[3]具有融合罰約束的低秩結(jié)構(gòu)化稀疏表示目標(biāo)跟蹤算法[J]. 田丹,張國山,謝英紅.  控制與決策. 2019(11)
[4]基于視覺顯著性的海面艦船檢測技術(shù)[J]. 丁鵬,張葉,賈平,常旭嶺,劉讓.  電子學(xué)報. 2018(01)
[5]一種前景和背景提取相結(jié)合的圖像顯著性檢測[J]. 周強(qiáng)強(qiáng),趙衛(wèi)東,柳先輝,王志成.  計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2017(08)
[6]基于顯著性區(qū)域檢測和水平集的圖像快速分割算法[J]. 葉鋒,李婉茹,陳家禎,鄭子華.  電子與信息學(xué)報. 2017(11)
[7]自適應(yīng)閾值分割與局部背景線索結(jié)合的顯著性檢測[J]. 唐紅梅,吳士婧,郭迎春,裴亞男.  電子與信息學(xué)報. 2017(07)
[8]基于自適應(yīng)背景模板與空間先驗(yàn)的顯著性物體檢測方法[J]. 林華鋒,李靜,劉國棟,梁大川,李東民.  自動化學(xué)報. 2017(10)
[9]融合背景感知和顏色對比的顯著性檢測方法[J]. 劉峰,沈同圣,韓艷麗,馬新星.  計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2016(10)



本文編號：3684077