人類視覺注意力機(jī)制一直都是研究的熱點(diǎn),其中一個(gè)重要的分支就是顯著性檢測(cè)。研究場(chǎng)景中的顯著性區(qū)域或物體檢測(cè),一方面有助于理解人腦和視覺系統(tǒng)中的注意力機(jī)制,另一方面可以讓計(jì)算機(jī)快速地從復(fù)雜場(chǎng)景中提取關(guān)鍵信息,以輔助后續(xù)更高層次的視覺任務(wù)�，F(xiàn)有的無監(jiān)督顯著性物體檢測(cè)方法一般是從圖像等視覺輸入中提取像素點(diǎn)或者是圖像塊的特征,如對(duì)比度信息、邊界連接性等來估計(jì)每個(gè)像素點(diǎn)的顯著性。雖然這些方法效率較高,也不需要人工標(biāo)記的像素級(jí)標(biāo)簽,但分割得到的顯著性物體不夠完整。此外,由于大多數(shù)方法對(duì)單一信息源或者先驗(yàn)過分依賴,它們?cè)趶?fù)雜場(chǎng)景下檢測(cè)顯著性物體的結(jié)果并不理想。針對(duì)以上問題,本文提出緊密度擴(kuò)散模型,將顯著的前景區(qū)域和冗余的背景區(qū)域看作兩個(gè)獨(dú)立的部分分別檢測(cè),最后再進(jìn)行融合。通過構(gòu)建全局圖,本文提出基于圖像統(tǒng)計(jì)特性的度量方式——緊密度,用于檢測(cè)圖像中的顯著性區(qū)域。通過構(gòu)建局部圖,將檢測(cè)到的緊密區(qū)域作為種子輸入到二次能量模型中進(jìn)行擴(kuò)散,最終檢測(cè)到連貫、分布均勻的顯著性物體。該模型綜合利用前景信息和背景信息檢測(cè)圖像中的顯著性區(qū)域,有效地改善了只依賴于單個(gè)信息源造成的檢測(cè)不完整、不均勻,或是包含背景區(qū)域的問題。... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于內(nèi)容的圖像尺寸調(diào)整示例

圖 1-2 顯著性物體示意圖廣義顯著性檢測(cè)包含三個(gè)分支，視覺注意力建模（Visual Attention ModelM），顯著性物體檢測(cè)（Salient Object Detection: SOD）和顯著性物體分割（Saject Segmentation: SOS）。VAM 是從人的注意力機(jī)制出發(fā)，對(duì)人眼凝視點(diǎn)進(jìn)行建望通過探索人的視覺系統(tǒng)來實(shí)現(xiàn)機(jī)器視覺，更多地是從仿生角度研究顯著性檢普通的物體檢測(cè)問題[4-6]類似，顯著性物體檢測(cè)（SOD）一般是用矩形框表示檢的顯著性物體[7]。兩者的區(qū)別在于，當(dāng)場(chǎng)景中包含多個(gè)物體時(shí)，普通的物體檢會(huì)檢測(cè)出盡可能多的物體，而顯著性物體檢測(cè)則是檢測(cè)出最突出的一個(gè)或多個(gè)[8-10]。顯著性物體分割（SOS）是像素級(jí)的顯著性物體檢測(cè)，因此比前面兩類檢測(cè)問題更加精細(xì)。作為一個(gè)研究熱點(diǎn)，在現(xiàn)在的很多論文[15-18]中，這一類問題被簡稱為顯著性檢測(cè)（Saliency Detection）。2 顯著性物體檢測(cè)研究現(xiàn)狀當(dāng)前的顯著性檢測(cè)方法大致可以分為無監(jiān)督方法和有監(jiān)督方法，無監(jiān)督方法

大多數(shù)基于對(duì)比度或利用對(duì)比度的顯著性檢測(cè)方法[23-25]效率都較高，但它們僅利用了對(duì)比度等前景信息，或是僅利用了邊界連接性等背景信息，使得檢測(cè)到的顯著性物體不完整或者包含部分背景區(qū)域，如圖 1-1 所示。一些頻域檢測(cè)方法[26-28]效率也比較高，但由于不同圖像中的顯著性物體尺寸變化較大，難以找到合適于所有圖像的變換尺度，因此檢測(cè)到的顯著性區(qū)域可能只包含了顯著性物體的邊緣。針對(duì)這些問題，本文在第三章中提出了新的度量方式，綜合利用前景信息和背景信息，并設(shè)計(jì)擴(kuò)散模型得到均勻的顯著性檢測(cè)結(jié)果。此外，從圖 1-1 中還可以看出，真實(shí)圖像的背景可能比較復(fù)雜或者圖像中包含多個(gè)物體，現(xiàn)有的無監(jiān)督方法很難取得穩(wěn)定的檢測(cè)效果�；诘椭染仃嚪纸獾姆椒╗29-31]在檢測(cè)性能上有所提升，但它們忽略了分解得到的稀疏矩陣中元素之間的空間關(guān)系，使得檢測(cè)到的顯著性物體不夠完整。針對(duì)這些問題，本文在第四章中提出了基于低秩矩陣分解的遞進(jìn)式顯著性檢測(cè)模型，設(shè)計(jì)包含 Laplacian 約束的低秩矩陣分解模型生成粗略的顯著性圖，然后通過利用圖像區(qū)域之間的空間連接關(guān)系，學(xué)習(xí)圖像區(qū)域特征到顯著性值之間的投影矩陣，以生成更準(zhǔn)確的顯著性圖。

【參考文獻(xiàn)】：
期刊論文
[1]融合對(duì)比度和分布性的圖像顯著性區(qū)域檢測(cè)[J]. 張穎穎,張帥,張萍,盧成.  光學(xué)精密工程. 2014(04)
[2]基于Local特征和Regional特征的圖像顯著性檢測(cè)[J]. 郭迎春,袁浩杰,吳鵬.  自動(dòng)化學(xué)報(bào). 2013(08)
[3]譜聚類算法綜述[J]. 蔡曉妍,戴冠中,楊黎斌.  計(jì)算機(jī)科學(xué). 2008(07)



本文編號(hào)：2971393