本文選題：顯著性檢測　切入點：超像素　出處：《吉林大學(xué)》2017年碩士論文

【摘要】：目標(即對象、人、像素等)的顯著性是相對于其鄰居突出的狀態(tài)或特性。顯著性檢測被認為是一個關(guān)鍵的注意力機制,用以促進學(xué)習和生存。通過使有機體將其有限的感知和認知資源集中在可用的感應(yīng)數(shù)據(jù)的最相關(guān)的子集,有機體可以利用最少的能量獲取最多的知識。顯著性通常源自項目及其鄰域之間的對比,諸如由白點圍繞的紅點,應(yīng)答機的閃爍消息指示符,或者在其他安靜環(huán)境中的大噪聲。顯性檢測通常在視覺系統(tǒng)的上下文中進行研究,但類似的機制在其他感應(yīng)系統(tǒng)中操作。什么是顯著的這個定義可以通過接受訓(xùn)練的方式來解決:例如,對于人類受試者,特定的信息可以通過訓(xùn)練變得突出。當注意力的部署由顯著性刺激驅(qū)動時,它被認為是自下而上,無記憶和反應(yīng)性的。注意機制也可以由自上而下,記憶相關(guān)或預(yù)期的機制來指導(dǎo),例如在越過街道之前向前看運動對象或側(cè)向。人類和其他動物難以同時注意多個項目,因此他們面臨著不斷地整合和優(yōu)先考慮不同的自下而上和自上而下的影響的挑戰(zhàn)。顯著性檢測算法已經(jīng)成為CV領(lǐng)域一項實用的工具。目前所有的顯著性檢測算法可以分成兩個種類:自頂向下的檢測算法和自底向上的檢測算法,目前的主流依舊是自底向上的檢測算法。在這篇論文中,本文提出一個新穎的自底向上的方法:基于邊緣對比度(boundary prior,邊緣先驗知識)的圖像顯著性檢測算法。本文提出的方法在便于實現(xiàn)的同時,也保證了檢測的質(zhì)量。本文通過以下幾步來獲得超像素的分割:首先,利用超像素算法——SLIC算法,對被檢測的源圖像進行預(yù)分割,因而可以將它分割成一系列緊密均勻一致的超像素塊。第二步,提取相應(yīng)的超像素塊的一系列特征值。第三步,為了強調(diào)距離當前超像素塊更近的邊緣超像素塊的作用,本文繼而計算每個超像素兩個特征值:一個是邊緣不相似性的值,另一個是超像素塊到邊緣超像素塊的最短路徑。第四步,通過計算,將超像素不相似性和到邊緣超像素的最短路徑長度值融合在一起,從而計算出每個超像素屬于背景區(qū)域的概率。第五步,通過一系列的最優(yōu)化方法優(yōu)化顯著性概率值,得到最終的顯著值結(jié)果,本文也將展示如何推導(dǎo)這個最優(yōu)化公式。最后,將超像素的值賦予相應(yīng)的像素點,得到最終的顯著圖。最后通過大量的對比實驗來證明算法的有效性和優(yōu)秀效果。
[Abstract]:The salience of a target (i.e. an object, a person, a pixel, etc.) is the state or characteristic that stands out relative to its neighbor.Salience testing is considered to be a key attention mechanism to promote learning and survival.By enabling organisms to concentrate their limited perceptual and cognitive resources on the most relevant subsets of available sensing data, organisms can acquire the most knowledge with the least amount of energy.Salience is usually derived from comparisons between items and their neighbors, such as red dots surrounded by white dots, flickering message indicators of transponders, or large noises in other quiet environments.Explicit detection is usually studied in the context of visual systems, but similar mechanisms operate in other sensing systems.This definition of what is significant can be solved by training: for example, for human subjects, specific information can become prominent through training.When attention deployment is driven by significant stimuli, it is considered bottom-up, memoryless and reactive.Attention mechanisms can also be guided by top-down, memory-related or anticipated mechanisms, such as looking forward or sideways before crossing the street.Humans and other animals have difficulty paying attention to multiple projects at the same time, so they face the challenge of continuously integrating and prioritizing different bottom-up and top-down impacts.Significance detection algorithm has become a practical tool in CV field.At present, all significant detection algorithms can be divided into two categories: top-down detection algorithm and bottom-up detection algorithm, the current mainstream is the bottom-up detection algorithm.In this paper, a novel bottom-up approach is proposed: an image salience detection algorithm based on edge contrast boundary prior.The method proposed in this paper is easy to realize and also ensures the quality of detection.In this paper, the super-pixel segmentation is obtained by the following steps: firstly, the source image is presegmented by using the super-pixel algorithm (SLIC), so that it can be divided into a series of compact uniform superpixel blocks.In the second step, a series of eigenvalues of the corresponding hyperpixel blocks are extracted.Third, in order to emphasize the role of edge superpixel blocks closer to the current superpixel blocks, this paper then calculates two eigenvalues for each superpixel: one is the edge dissimilarity.The other is the shortest path from the hyperpixel block to the edge superpixel block.In the fourth step the super-pixel dissimilarity and the shortest path length to the edge super-pixel are fused together so as to calculate the probability of each super-pixel belonging to the background region.In the fifth step, through a series of optimization methods to optimize the significant probability value, the final significant value result is obtained. This paper will also show how to deduce this optimization formula.Finally, the value of the super pixel is assigned to the corresponding pixel, and the final salience diagram is obtained.Finally, through a large number of comparative experiments to prove the effectiveness and excellent effect of the algorithm.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 程彩娟;“八后問題”的算法與程序設(shè)計[J];天津職業(yè)技術(shù)師范學(xué)院學(xué)報;1991年02期

2 葛磊;武芳;王鵬波;張冬林;;3維建筑綜合中基于最小特征的面平移算法[J];測繪科學(xué)技術(shù)學(xué)報;2009年02期

3 駱雯,孫延明,陳振威,陳錦昌;判斷點與封閉多邊形相對關(guān)系的改進算法[J];機械;1999年03期

4 李林;盧顯良;;一種基于切割映射的規(guī)則沖突消除算法[J];電子學(xué)報;2008年02期

5 劉巧玲;張紅英;林茂松;;一種簡單快速的圖像去霧算法[J];計算機應(yīng)用與軟件;2013年07期

6 林亞平,楊小林;快速概率分析進化算法及其性能研究[J];電子學(xué)報;2001年02期

7 章郡鋒;吳曉紅;黃曉強;何小海;;基于暗原色先驗去霧的改進算法[J];電視技術(shù);2013年23期

8 楊鐵軍;靳婷;;一種動態(tài)整周模糊值求解算法及其仿真分析[J];系統(tǒng)工程與電子技術(shù);2007年01期

9 周秀玲;郭平;陳寶維;王靜;;幾種計算超體積算法的比較研究[J];計算機工程;2011年03期

10 吳一戎,胡東輝,彭海良;Chirp Scaling SAR成象算法及其實現(xiàn)[J];電子科學(xué)學(xué)刊;1995年03期

相關(guān)會議論文 前10條

1 尹冀鋒;;一種新的圖象自適應(yīng)增強算法[A];四川省通信學(xué)會一九九二年學(xué)術(shù)年會論文集[C];1992年

2 寧春平;田家瑋;郭延輝;王影;張英濤;鄭桂霞;劉研;;計算機輔助增強、分割算法在鑒別乳腺良、惡性腫塊中的應(yīng)用價值[A];中華醫(yī)學(xué)會第十次全國超聲醫(yī)學(xué)學(xué)術(shù)會議論文匯編[C];2009年

3 謝麗聰;;SVB查詢改寫算法的改進[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2004年

4 鄭存紅;;復(fù)雜背景下相關(guān)跟蹤算法研究及DSP實現(xiàn)[A];中國光學(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

5 楊文杰;吳軍;;RFID抗沖突算法研究[A];2008通信理論與技術(shù)新進展——第十三屆全國青年通信學(xué)術(shù)會議論文集（上）[C];2008年

6 高山;畢篤彥;魏娜;;一種基于UPF的小目標TBD算法[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

7 周磊;張衛(wèi)華;王曉奇;張軍;;基于流水算法的智能路障機器人設(shè)計[A];2011年全國電子信息技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2011年

8 潘巍;李戰(zhàn)懷;陳群;索博;李衛(wèi)榜;;面向MapReduce的非對稱分片復(fù)制連接算法優(yōu)化技術(shù)研究[A];第29屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）（NDBC2012）[C];2012年

9 李偉偉;蔡康穎;鄭新;王文成;;3D模型中重復(fù)結(jié)構(gòu)的多尺度快速檢測算法[A];第六屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

10 楊任爾;陳懇;勵金祥;;基于棱邊方向檢測的運動自適應(yīng)去隔行算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

相關(guān)重要報紙文章 前1條

1 國泰君安資產(chǎn)管理部;“算法交易”是道指暴跌罪魁禍首?[N];上海證券報;2010年

相關(guān)博士學(xué)位論文 前10條

1 馮輝;網(wǎng)絡(luò)化的并行與分布式優(yōu)化算法研究及應(yīng)用[D];復(fù)旦大學(xué);2013年

2 許玉杰;云計算環(huán)境下海量數(shù)據(jù)的并行聚類算法研究[D];大連海事大學(xué);2014年

3 李琰;基于貓群算法的高光譜遙感森林類型識別研究[D];東北林業(yè)大學(xué);2015年

4 陳加順;海洋環(huán)境下聚類算法的研究[D];南京航空航天大學(xué);2014年

5 王洋;基于群體智能的通信網(wǎng)絡(luò)告警關(guān)聯(lián)規(guī)則挖掘算法研究[D];太原理工大學(xué);2015年

6 雷雨;面向考試時間表問題的啟發(fā)式進化算法研究[D];西安電子科技大學(xué);2015年

7 熊霖;大數(shù)據(jù)下的數(shù)據(jù)選擇與學(xué)習算法研究[D];西安電子科技大學(xué);2015年

8 周雷;基于圖結(jié)構(gòu)的目標檢測與分割算法研究[D];上海交通大學(xué);2014年

9 王冰;人工蜂群算法的改進及相關(guān)應(yīng)用的研究[D];北京理工大學(xué);2015年

10 周旭;復(fù)雜網(wǎng)絡(luò)中社區(qū)發(fā)現(xiàn)算法研究[D];吉林大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 姚鑫宇;EMD去噪與MUSIC算法在DOA估計中的聯(lián)合應(yīng)用[D];昆明理工大學(xué);2015年

2 陸進;面向含噪數(shù)據(jù)聚類相關(guān)算法的研究[D];復(fù)旦大學(xué);2014年

3 李家昌;基于能量約束的超聲圖像自動分割算法[D];華南理工大學(xué);2015年

4 陳堅;基于密度和約束的數(shù)據(jù)流聚類算法研究[D];蘭州大學(xué);2015年

5 高健;基于Zynq7000平臺的去霧算法研究及實現(xiàn)[D];南京理工大學(xué);2015年

6 顧磊;基于Hadoop的聚類算法的數(shù)據(jù)優(yōu)化及其應(yīng)用研究[D];南京信息工程大學(xué);2015年

7 楊燕霞;基于Hadoop平臺的并行關(guān)聯(lián)規(guī)則挖掘算法研究[D];四川師范大學(xué);2015年

8 王羽;基于MapReduce的社區(qū)發(fā)現(xiàn)算法的設(shè)計與實現(xiàn)[D];南京理工大學(xué);2015年

9 許振佳;流式數(shù)據(jù)的并行聚類算法研究[D];曲阜師范大學(xué);2015年

10 董琴;人工蜂群算法的改進與應(yīng)用[D];大連海事大學(xué);2015年

，

本文編號：1718236