本文關(guān)鍵詞：基于多先驗和圖結(jié)構(gòu)的顯著性物體檢測，，由筆耕文化傳播整理發(fā)布。

【摘要】：顯著性物體檢測,是一個從圖像中檢測出最能引起人視覺注意的物體區(qū)域的計算機視覺處理過程,它模擬的是人類視覺系統(tǒng)的信息處理環(huán)節(jié),為進一步高層問題的研究奠定基礎(chǔ)。本文所研究的顯著性檢測屬于“自底向上”、純數(shù)據(jù)驅(qū)動、不帶有人主觀目的的檢測,重點研究了面向單幅圖像和群組圖像的顯著性檢測算法設(shè)計,主要工作與創(chuàng)新點包括以下四點:1.基于邊界先驗與視覺注意的顯著性模型:該模型利用邊界先驗,通過建立圖結(jié)構(gòu)得到圖像中每一個超像素到邊界的測地線距離,利用其來衡量顯著性大小。同時為了提高顯著性圖的質(zhì)量,提出基于最大均值偏差的視覺注意點圖。實驗測試和比對都證明了所提出方法的有效性。2.基于多先驗與能量圖的顯著性模型:該模型分別從顯著性物體和背景出發(fā),結(jié)合各自先驗知識的優(yōu)勢來定義對應(yīng)的顯著性衡量方式。對于顯著性物體,融合了中心-周圍對比度、中心、布局等先驗來衡量圖像元素間的迥異性,凸顯顯著物體具有的性質(zhì);對于背景,再次利用邊界先驗,基于所定義的能量圖和8鄰域“縫”,動態(tài)優(yōu)化找到每一個像素到邊界的最優(yōu)“縫”,以“縫”的成本來衡量顯著性大小。實驗表明,該模型能夠取得可靠、高質(zhì)量的顯著性檢測圖。3.群組圖像的協(xié)同顯著性模型:該模型最大的貢獻就是使得(單幅圖像的)顯著性模型在協(xié)同顯著性的任務(wù)場景下發(fā)揮其潛在的指導(dǎo)作用,利用任意一種單幅顯著性模型得到的檢測結(jié)果,在一個排序框架下,通過一個兩階段的查詢關(guān)鍵詞選擇,指導(dǎo)協(xié)同顯著性檢測的進行,最后融合輸出得到最終的協(xié)同顯著性圖。實驗結(jié)果表明,該模型成功地突出了共同顯著性物體,抑制了非共同顯著的背景,還能應(yīng)對群組圖像中摻雜入少量不相關(guān)圖像的情況,與現(xiàn)有模型相比,不僅檢測準確度更高,而且大大提升了檢測的效率。4.顯著性在虛化圖像中的應(yīng)用:基于Android開發(fā)了一個可以在移動端使用的App應(yīng)用Lee Bokeh,該應(yīng)用旨在貼近大眾需求,大大降低虛化圖像對拍攝設(shè)備、技術(shù)以及后處理的要求,實現(xiàn)了全自動獲得虛化圖像的功能。
【關(guān)鍵詞】：顯著性檢測 圖結(jié)構(gòu) 多先驗 協(xié)同顯著性檢測 Android應(yīng)用
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要5-7
• ABSTRACT7-12
• 第一章 緒論12-22
• 1.1 研究背景12-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-18
• 1.2.1 顯著性檢測13-16
• 1.2.2 協(xié)同顯著性檢測16-18
• 1.3 研究內(nèi)容和技術(shù)路線18-19
• 1.4 創(chuàng)新點和組織結(jié)構(gòu)19-20
• 1.5 本章小結(jié)20-22
• 第二章 基于邊界先驗與視覺注意的顯著性檢測22-40
• 2.1 邊界先驗22-28
• 2.1.1 圖像預(yù)處理23-24
• 2.1.2 建立圖結(jié)構(gòu)24-26
• 2.1.3 顯著性圖計算26-27
• 2.1.4 顯著性圖融合27-28
• 2.2 視覺注意點28-30
• 2.3 實驗結(jié)果30-38
• 2.3.1 定性與定量比較30-37
• 2.3.2 參數(shù)討論37
• 2.3.3 算法效率37-38
• 2.4 本章小結(jié)38-40
• 第三章 基于多先驗與能量圖的顯著性檢測40-56
• 3.1 從顯著性物體出發(fā)的多先驗40-42
• 3.1.1 對比先驗40-41
• 3.1.2 中心先驗41-42
• 3.1.3 布局先驗42
• 3.2 基于能量圖的邊界先驗42-46
• 3.3 顯著性賦值46-47
• 3.4 實驗結(jié)果47-53
• 3.4.1 定性與定量比較48-50
• 3.4.2 參數(shù)討論50-52
• 3.4.3 單步效果驗證52-53
• 3.4.4 算法效率53
• 3.5 本章小結(jié)53-56
• 第四章 群組圖像的協(xié)同顯著性檢測56-70
• 4.1 算法流程56-58
• 4.2 EMR排序算法58-59
• 4.3 兩階段查詢關(guān)鍵詞的選擇59-61
• 4.3.1 第一階段60
• 4.3.2 第二階段60-61
• 4.4 多圖融合61-62
• 4.5 實驗結(jié)果62-67
• 4.5.1 定性與定量比較63-66
• 4.5.2 顯著性模型的獨立性66-67
• 4.5.3 算法效率67
• 4.6 本章小結(jié)67-70
• 第五章 基于Android的顯著性應(yīng)用70-78
• 5.1 圖像虛化70-71
• 5.2 可行性分析71-73
• 5.2.1 理論可行性71-72
• 5.2.2 開發(fā)可行性72-73
• 5.3 Lee Bokeh應(yīng)用73-77
• 5.4 本章小結(jié)77-78
• 第六章 總結(jié)與展望78-82
• 6.1 主要工作78-79
• 6.2 后續(xù)研究79-82
• 參考文獻82-90
• 致謝90-92
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄92

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 郭小梅;MFC中文檔/視圖結(jié)構(gòu)的應(yīng)用[J];南京曉莊學(xué)院學(xué)報;2001年04期

2 葉紅云;倪志偉;倪麗萍;;一種檢測興趣漂移的圖結(jié)構(gòu)推薦系統(tǒng)[J];小型微型計算機系統(tǒng);2012年04期

3 江珊珊;;對VC++6中文檔/視圖結(jié)構(gòu)的探析[J];泰山學(xué)院學(xué)報;2009年06期

4 馬福寧;路燕;;SCDBS:一種支持XML有向有環(huán)圖結(jié)構(gòu)的數(shù)據(jù)更新算法[J];山東科技大學(xué)學(xué)報(自然科學(xué)版);2010年05期

5 蔡秋茹,何暉;MFC文檔/視圖結(jié)構(gòu)[J];常州信息職業(yè)技術(shù)學(xué)院學(xué)報;2002年02期

6 范立新;基于圖結(jié)構(gòu)的迷宮問題求解[J];微計算機應(yīng)用;1999年05期

7 王宏志;駱吉洲;李建中;;圖結(jié)構(gòu)XML文檔上子圖查詢的高效處理算法[J];軟件學(xué)報;2009年09期

8 馬連剛;夏克儉;;中醫(yī)方劑與圖集的轉(zhuǎn)換的設(shè)計與實現(xiàn)[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2010年02期

9 黃琪瑞;楊智敏;;結(jié)構(gòu)圖結(jié)構(gòu)編輯器SCSED[J];計算機研究與發(fā)展;1987年03期

10 郎銳;MFC編程中的文檔/視圖結(jié)構(gòu)[J];電腦編程技巧與維護;2003年11期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 李磊;具有圖結(jié)構(gòu)的兩個合作和非合作的博弈論模型[D];南開大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 李一君;基于多先驗和圖結(jié)構(gòu)的顯著性物體檢測[D];上海交通大學(xué);2015年

2 周溜溜;基于圖結(jié)構(gòu)的數(shù)據(jù)挖掘研究及應(yīng)用[D];南京林業(yè)大學(xué);2013年

3 孫浩月;防止圖結(jié)構(gòu)攻擊的社會網(wǎng)絡(luò)隱私保護技術(shù)研究[D];東北大學(xué);2011年

4 史云飛;基于圖結(jié)構(gòu)的社會標注系統(tǒng)個性化推薦研究[D];大連理工大學(xué);2012年

5 樓奇;圖與其屬性結(jié)構(gòu)相關(guān)性的度量研究[D];浙江大學(xué);2011年

  本文關(guān)鍵詞：基于多先驗和圖結(jié)構(gòu)的顯著性物體檢測，由筆耕文化傳播整理發(fā)布。

本文編號：369117