本文關(guān)鍵詞：特征融合的顯著目標(biāo)檢測(cè)方法研究

  更多相關(guān)文章： 顯著目標(biāo)檢測(cè) 特征融合 流行排序 構(gòu)圖先驗(yàn)

【摘要】：顯著目標(biāo)檢測(cè)是通過計(jì)算機(jī)檢測(cè)圖像中的主要內(nèi)容,它是機(jī)器視覺的重要組成部分。由于人類視覺注意系統(tǒng)的進(jìn)化與發(fā)展,人眼具備迅速而準(zhǔn)確地捕獲圖像中顯著區(qū)域的特點(diǎn),而隨著計(jì)算機(jī)視覺技術(shù)的需求與發(fā)展,人們?cè)絹碓较Ｍ麢C(jī)器能夠跟人一樣,能夠快速而準(zhǔn)確地搜索圖像中的主要內(nèi)容。顯著目標(biāo)檢測(cè)主要研究的就是人類的視覺注意系統(tǒng)并模擬人眼來檢測(cè)圖像中的重要區(qū)域�；谝曈X注意機(jī)制的顯著目標(biāo)檢測(cè)技術(shù)在圖像處理、人工智能等計(jì)算機(jī)視覺的多個(gè)領(lǐng)域都具有重要的研究意義。同時(shí),該研究還可以應(yīng)用在諸如圖像檢索、圖像分割、目標(biāo)識(shí)別與跟蹤等各種領(lǐng)域中,它具有重要的應(yīng)用意義。近年來,由于顯著目標(biāo)檢測(cè)研究的重要性,它吸引了研究者們廣泛的關(guān)注,并逐步成為研究熱點(diǎn)。為了解決計(jì)算機(jī)在模擬人眼檢測(cè)圖像中的顯著區(qū)域時(shí)出現(xiàn)的準(zhǔn)確率不高和速度慢等問題,研究者們提出了多種計(jì)算模型。本文對(duì)這些計(jì)算模型進(jìn)行回顧與分析,并從特征融合的角度研究圖像顯著目標(biāo)檢測(cè)方法。首先,傳統(tǒng)的顯著目標(biāo)檢測(cè)算法大多是基于對(duì)比度特征的,這些算法雖然取得了一定的成果,但是由于目標(biāo)個(gè)體的行為差異,對(duì)比度特征并不能適用于所有情況。所以,針對(duì)基于對(duì)比度特征算法的適應(yīng)性不足問題,本文提出融合顏色區(qū)別性特征、邊界先驗(yàn)特征以及objectness特征來進(jìn)行顯著目標(biāo)檢測(cè)。具體來說,本文先從目標(biāo)角度提取圖像的顏色區(qū)別性特征,然后從背景角度根據(jù)邊界先驗(yàn)提取圖像的邊界先驗(yàn)特征,將提取到的這兩種特征進(jìn)行線性融合以保持顯著信息的完整性。隨后,提取圖像的objectness特征,進(jìn)行乘法融合來加強(qiáng)顯著性,最終得到顯著圖。其次,本文啟發(fā)于近年來基于邊界先驗(yàn)的顯著目標(biāo)檢測(cè)算法中關(guān)于圖像空間布局的思想,提出了融合構(gòu)圖先驗(yàn)特征的顯著檢測(cè)方法。從圖像的構(gòu)成來看,副圖像的生成是符合一定的構(gòu)圖法則的,比如最常見的三分構(gòu)圖法。因此,本文做出這樣的假設(shè)：圖像的目標(biāo)區(qū)域主要分布在三分構(gòu)圖線周圍。并將這樣的知識(shí)稱之為構(gòu)圖先驗(yàn)。然后將顯著性檢測(cè)視為一個(gè)二分類的過程,并使用流行排序算法來計(jì)算顯著值。首先,根據(jù)流行排序算法對(duì)圖像進(jìn)行多尺度超像素分割,然后根據(jù)超像素分割結(jié)果構(gòu)造閉環(huán)圖；其次,提取構(gòu)圖線區(qū)域超像素的顏色特征,根據(jù)構(gòu)圖先驗(yàn)知識(shí)將構(gòu)圖線周圍的超像素設(shè)置為查詢節(jié)點(diǎn),使用流行排序算法計(jì)算每個(gè)超像素的顯著值；然后,從目標(biāo)和背景兩個(gè)角度對(duì)檢測(cè)的顯著區(qū)域進(jìn)行細(xì)化并利用像素區(qū)別性特征對(duì)像素點(diǎn)的顯著值進(jìn)行矯正；最后,為提高顯著檢測(cè)的準(zhǔn)確性,融合多尺度顯著值得到最終顯著圖。融合構(gòu)圖先驗(yàn)的顯著目標(biāo)檢測(cè)方法是根據(jù)圖像的空間布局,從構(gòu)圖線角度研究顯著目標(biāo)的分布。通過在MSRA-1000、CSSD以及ECSSD這三個(gè)公開的數(shù)據(jù)集上實(shí)驗(yàn)驗(yàn)證,表明本文的兩種方法跟其他算法相比,算法性能有較大的提升。
【關(guān)鍵詞】：顯著目標(biāo)檢測(cè) 特征融合 流行排序 構(gòu)圖先驗(yàn)
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 摘要3-5
• Abstract5-10
• 第一章 緒論10-20
• 1.1 研究背景與意義10-12
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀12-17
• 1.3 本文主要工作與章節(jié)安排17-20
• 1.3.1 本文主要工作與創(chuàng)新點(diǎn)17-18
• 1.3.2 章節(jié)安排18-20
• 第二章 顯著性檢測(cè)的相關(guān)理論與算法20-31
• 2.1 人類視覺感知系統(tǒng)20-21
• 2.2 視覺注意機(jī)制21-23
• 2.3 顏色特征23-27
• 2.3.1 CIE Lab顏色空間與RGB顏色空間的相互轉(zhuǎn)換23-26
• 2.3.2 顏色特征描述法26-27
• 2.3.3 顏色對(duì)比度特征27
• 2.4 圖像分割算法27-28
• 2.4.1 SLIC超像素分割27-28
• 2.4.2 Mean-shift區(qū)域分割28
• 2.5 流行排序算法28-30
• 2.5.1 構(gòu)造閉環(huán)圖29
• 2.5.2 流行排序29-30
• 2.6 本章小結(jié)30-31
• 第三章 特征融合與Objectness加強(qiáng)的顯著目標(biāo)檢測(cè)31-37
• 3.1 算法基本原理32-33
• 3.2 顏色區(qū)別性特征33-34
• 3.3 邊界先驗(yàn)特征34-35
• 3.4 Objectness特征35-36
• 3.5 融合36
• 3.6 本章小結(jié)36-37
• 第四章 融合多尺度構(gòu)圖先驗(yàn)的顯著目標(biāo)檢測(cè)算法37-46
• 4.1 構(gòu)圖先驗(yàn)知識(shí)38-39
• 4.2 多尺度分割39-40
• 4.3 融合構(gòu)圖先驗(yàn)的顯著計(jì)算方法40-45
• 4.3.1 顯著計(jì)算40-41
• 4.3.2 細(xì)化顯著圖41-43
• 4.3.3 像素點(diǎn)顯著值矯正43-45
• 4.4 多尺度融合45
• 4.5 本章小結(jié)45-46
• 第五章 實(shí)驗(yàn)結(jié)果與分析46-58
• 5.1 數(shù)據(jù)集與評(píng)價(jià)指標(biāo)46-48
• 5.1.1 數(shù)據(jù)集46-47
• 5.1.2 評(píng)價(jià)指標(biāo)47-48
• 5.2 特征融合與objectness加強(qiáng)的顯著目標(biāo)檢測(cè)實(shí)驗(yàn)結(jié)果48-51
• 5.2.1 評(píng)估各項(xiàng)特征48-49
• 5.2.2 MRSA-1000數(shù)據(jù)集49
• 5.2.3 CSSD數(shù)據(jù)集49-50
• 5.2.4 ECSSD數(shù)據(jù)集50
• 5.2.5 質(zhì)量比較50-51
• 5.3 融合多尺度構(gòu)圖先驗(yàn)的顯著目標(biāo)檢測(cè)實(shí)驗(yàn)結(jié)果51-56
• 5.3.1 單一尺度與多尺度對(duì)比52
• 5.3.2 矯正與不矯正對(duì)比52-53
• 5.3.3 MSRA-1000數(shù)據(jù)集上比較53-54
• 5.3.4 CSSD數(shù)據(jù)集上比較54
• 5.3.5 ECSSD數(shù)據(jù)集上比較54-55
• 5.3.6 運(yùn)行時(shí)間比較55-56
• 5.3.7 質(zhì)量比較56
• 5.4 本章小結(jié)56-58
• 第六章 總結(jié)與展望58-60
• 6.1 本文總結(jié)58-59
• 6.2 本文展望59-60
• 參考文獻(xiàn)60-66
• 致謝66-67
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及其他成果67

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前2條

1 王春瑤;陳俊周;李煒;;超像素分割算法研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2014年01期

2 田媚;羅四維;齊英劍;廖靈芝;;基于視覺系統(tǒng)“What”和“Where”通路的圖像顯著區(qū)域檢測(cè)[J];模式識(shí)別與人工智能;2006年02期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 李志強(qiáng);視覺顯著性模型研究及其在影像處理中的應(yīng)用[D];上海交通大學(xué);2009年

2 單列;視覺注意機(jī)制的若干關(guān)鍵技術(shù)及應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 鄒強(qiáng);復(fù)雜背景下顯著性目標(biāo)快速檢測(cè)技術(shù)研究[D];中國(guó)科學(xué)院研究生院（光電技術(shù)研究所）;2014年

2 郝秀琪;基于多特征的圖像檢索研究[D];大連理工大學(xué);2015年

3 蔡萬利;視覺顯著計(jì)算及其在自然圖像感興趣目標(biāo)檢測(cè)中的應(yīng)用研究[D];南京理工大學(xué);2014年

4 沙杰峰;基于人類視覺注意機(jī)制的顯著目標(biāo)檢測(cè)與分割[D];華中科技大學(xué);2014年

5 徐凱;基于顯著性分析的視覺注意模型研究[D];復(fù)旦大學(xué);2013年

6 楊川;基于先驗(yàn)融合和流形排序的顯著目標(biāo)檢測(cè)[D];大連理工大學(xué);2013年

7 胡旭;彩色空間下運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤問題研究[D];鄭州大學(xué);2013年

8 王飛;基于上下文和背景的視覺顯著性檢測(cè)[D];大連理工大學(xué);2013年

9 梁丹;基于視覺注意機(jī)制及區(qū)域生長(zhǎng)的圖像分割方法研究[D];浙江大學(xué);2013年

10 龐靜超;基于視覺特征空間對(duì)比分析的顯著性檢測(cè)算法研究[D];燕山大學(xué);2012年

，

本文編號(hào)：518565