發(fā)布時間：2021-07-09 00:54

　　圖像顯著性檢測是圖像處理中最重要的技術(shù)之一,廣泛應用于圖像壓縮、圖像分割等任務中。自底向上的檢測算法在某些復雜圖像上難以獲得接近人眼注意范圍的顯著區(qū)域,自頂向下的檢測算法可利用的真實先驗信息較少,因此本文提出了一種基于多特征融合與深度先驗信息的圖像顯著性檢測算法,具體工作如下:（1）提出一種基于FLIC融合顏色與紋理特征的圖像顯著性檢測算法,分別在顏色通道和紋理通道中獲得基于FLIC的顏色特征顯著圖和紋理特征顯著圖,再進行線性融合獲得最終顯著圖。在四個公開數(shù)據(jù)集上與7種自底向上的顯著性檢測算法比較,繪制了PR-Curve、MAE以及F_?三個指標圖,實驗結(jié)果表明,基于多特征融合的檢測算法性能較好,但在某些具體場景下仍有提升空間。（2）為了提升多特征融合顯著性檢測算法的性能,提出一種基于深度先驗信息輔助的圖像顯著性提升模型,更加充分地利用圖像信息。該模型采用修改的VGG16提取圖像像素點與圖像區(qū)域的特征向量,在特征空間內(nèi)訓練一個最鄰近分類器判斷像素點與圖像區(qū)域之間的歸屬關(guān)系。原始圖像和真值作為輸入進行訓練,通過網(wǎng)絡學習到圖像真值區(qū)域特征和像素特征之間的聯(lián)系。把原始圖像... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【部分圖文】：

圖像及其顯著區(qū)域示例

傳播算法仍然是很多神經(jīng)網(wǎng)絡任務的基礎(chǔ)算法。1986 年之后，神經(jīng)網(wǎng)絡在各領(lǐng)域的應用就蓬勃發(fā)展起來了，特別是近幾年，呈現(xiàn)一種爆發(fā)趨勢。圖2.2 受限玻爾茲曼機結(jié)構(gòu)示意圖2.1.2 神經(jīng)網(wǎng)絡的特性現(xiàn)有的各種神經(jīng)網(wǎng)絡模型都是對高等生物神經(jīng)系統(tǒng)的簡化抽象與模擬，可以看作由許多并行互聯(lián)的簡單神經(jīng)元構(gòu)成。在神經(jīng)元上進行信息處理，神經(jīng)元之間進行信息存儲，一個包含多個神經(jīng)元的多層神經(jīng)網(wǎng)絡模型描述了一個神經(jīng)網(wǎng)絡如何將輸入轉(zhuǎn)化為輸出的過程，這一過程可以通過數(shù)學公式模擬出來。神經(jīng)元主要包含以下三個基本要素：（1）連接權(quán)值：連接權(quán)值指的是神經(jīng)網(wǎng)絡中相互連接的兩個神經(jīng)元之間的連接關(guān)系，該值可正可負。在實際訓練中，在每一次反向傳播前后連接權(quán)值可能是不一樣的。（2）加法器：神經(jīng)元的輸入變量（可能不唯一）與神經(jīng)元的連接權(quán)值對應相乘之后和偏置一起通過加法器求和，實際上就是對輸入信號進行線性加權(quán)組合

圖2.8 UCF 總體框架該方法的第二個亮點是推導出了一種新的上采樣方法來減少生成顯著圖中的虛影。首先限制卷積核的大小，確保卷積核的大小k 是卷積步幅s 的整倍數(shù)，如式(2-35)所示；其次將上采樣與卷積分開執(zhí)行，即先通過插值調(diào)整特征圖的大小，然后再執(zhí)行卷積操作，雖然這種做法可能破壞網(wǎng)絡學習到的特征，但是通過堆疊多個這種特征圖能夠構(gòu)造出虛影較少的輸出圖像。k s N(2-35)2.2.4 仿真分析前三小節(jié)總共研究了 HC、RC、SF、MR、MDF、UCF 共 6 個顯著性檢測算法，本文在閱讀提出上述幾種方法論文的基礎(chǔ)上，對他們的工作進行了復現(xiàn)，示例如圖 2.9所示，發(fā)現(xiàn)這 5 種算法（其中 HC 和 RC 算一種）是分別用到了圖像直方圖、圖像超像素分割、高斯濾波、圖論、神經(jīng)網(wǎng)絡等經(jīng)典的圖像處理方法，其中圖像的超像素作為一種圖像預處理辦法，除了 HC 外其他幾個方法都用到了。由此可見，超像素分割


本文編號：3272677