發(fā)布時間：2017-09-29 11:30

  本文關(guān)鍵詞：多幅圖像協(xié)同顯著性檢測

  更多相關(guān)文章： 協(xié)同顯著性 截斷冪 特征提取 K-Means 自適應權(quán)值 協(xié)同定位

【摘要】：近年來,顯著性檢測已經(jīng)在國內(nèi)外相關(guān)領(lǐng)域研究中得到了廣泛關(guān)注,并取得了許多成果,但是已有的研究往往注重單幅圖像與單視頻的處理。伴隨互聯(lián)網(wǎng)等技術(shù)的飛速發(fā)展,從多幅圖像或多視頻中,尋找相同或相似的顯著性目標的協(xié)同顯著性檢測技術(shù)已逐漸成為一種新的應用需求。目前,在多幅圖像協(xié)同顯著性檢測相關(guān)的協(xié)同分割、協(xié)同定位、目標檢測等應用領(lǐng)域已有了較廣泛深入的研究,并引起了廣泛關(guān)注。相比單幅圖像顯著性檢測而言,多幅圖像協(xié)同顯著性檢測亟需解決的關(guān)鍵問題是如何快速有效地檢測出多幅圖像中的協(xié)同顯著性目標。為了建立一種快速有效的多幅圖像協(xié)同顯著性檢測方法,本文提出了基于圖像分塊與截斷冪的特征提取的預處理方法以及基于K-Means與自適應協(xié)同顯著圖生成的協(xié)同顯著性檢測方法。首先,采用一種基于圖像分塊與截斷冪的特征提取方法對輸入圖像進行特征提取,實現(xiàn)在最大程度保留原圖像特征的同時有效減少特征點的數(shù)量與特征的個數(shù)。然后,使用K-Means聚類算法對提取的稀疏特征進行聚類,同時計算出三種基于聚類的顯著性特征值并生成相應的特征顯著圖。并且進一步提出基于圖像內(nèi)容的自適應權(quán)值協(xié)同顯著圖生成方法以提高協(xié)同顯著性檢測的效果。通過在兩個標準數(shù)據(jù)集上進行仿真實驗并與已有典型多幅圖像協(xié)同顯著性檢測方法相比較可知,本文方法在提高檢測精度的同時,可大幅提升多幅圖像協(xié)同顯著性檢測的處理效率。最后,將上述方法應用到具有噪聲圖像的多幅圖像協(xié)同定位中,通過多幅圖像協(xié)同顯著性檢測來過濾噪聲圖像以降低具有噪聲圖像的協(xié)同定位方法的復雜性,并在Visual Studio平臺下結(jié)合Open CV庫實現(xiàn)了基于協(xié)同顯著性檢測的具有噪聲圖像的協(xié)同定位系統(tǒng)。
【關(guān)鍵詞】：協(xié)同顯著性 截斷冪 特征提取 K-Means 自適應權(quán)值 協(xié)同定位
【學位授予單位】：南京航空航天大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要4-5
• ABSTRACT5-11
• 縮略詞11-12
• 第一章 緒論12-18
• 1.1 選題背景與意義12
• 1.2 國內(nèi)外研究現(xiàn)狀及存在問題12-15
• 1.2.1 國內(nèi)外研究現(xiàn)狀分析13-14
• 1.2.2 目前研究存在的問題14-15
• 1.3 論文研究內(nèi)容及章節(jié)安排15-18
• 第二章 相關(guān)知識18-28
• 2.1 引言18
• 2.2 特征提取方法18-23
• 2.2.1 線性判別分析18-19
• 2.2.2 局部保持映射19-20
• 2.2.3 獨立成分分析20
• 2.2.4 主成分分析20-21
• 2.2.5 稀疏主成分分析21-23
• 2.3 聚類算法23-27
• 2.3.1 基于劃分的聚類算法24-25
• 2.3.2 基于層次的聚類算法25-26
• 2.3.3 基于密度的聚類算法26
• 2.3.4 基于網(wǎng)格的聚類算法26-27
• 2.3.5 基于模型的聚類算法27
• 2.4 本章小結(jié)27-28
• 第三章 基于圖像分塊與截斷冪的特征提取28-35
• 3.1 引言28
• 3.2 圖像分塊與圖像塊底層顏色特征提取28-30
• 3.3 基于截斷冪的稀疏特征提取30-31
• 3.4 實驗結(jié)果與分析31-34
• 3.4.1 幾種典型的稀疏主成分分析方法的性能比較31-32
• 3.4.2 稀疏處理參數(shù)的確定32-34
• 3.5 本章小結(jié)34-35
• 第四章 基于K-Means與自適應權(quán)值的多幅圖像協(xié)同顯著性檢測35-56
• 4.1 引言35
• 4.2 K-Means聚類算法初始簇中心的確定35-36
• 4.3 基于聚類的顯著性特征計算36-39
• 4.3.1 對比特征36-37
• 4.3.2 空間特征37-38
• 4.3.3 全局分布特征38-39
• 4.4 基于自適應權(quán)值的協(xié)同顯著圖生成39-44
• 4.4.1 自適應閾值分割40-41
• 4.4.2 基于圖像內(nèi)容的自適應權(quán)值計算41-44
• 4.5 實驗結(jié)果與分析44-54
• 4.5.1 數(shù)據(jù)集和評價標準45-47
• 4.5.2 多幅圖像協(xié)同顯著性檢測效果對比47-50
• 4.5.3 多幅圖像協(xié)同顯著性檢測效率對比50-51
• 4.5.4 多幅圖像協(xié)同顯著性檢測的應用51-54
• 4.6 本章小結(jié)54-56
• 第五章 具有噪聲圖像的協(xié)同定位系統(tǒng)的設(shè)計與實現(xiàn)56-67
• 5.1 引言56
• 5.2 系統(tǒng)框架56
• 5.3 主要功能模塊的設(shè)計56-60
• 5.3.1 多幅圖像協(xié)同顯著性檢測模塊56-58
• 5.3.2 候選目標判別模塊58-60
• 5.4 系統(tǒng)實現(xiàn)60-66
• 5.4.1 系統(tǒng)開發(fā)環(huán)境60-61
• 5.4.2 系統(tǒng)主要實現(xiàn)技術(shù)方法61
• 5.4.3 系統(tǒng)展示61-66
• 5.5 本章小結(jié)66-67
• 第六章 總結(jié)與展望67-69
• 6.1 總結(jié)67
• 6.2 展望67-69
• 參考文獻69-75
• 致謝75-76
• 在學期間的研究成果及發(fā)表的學術(shù)論文76

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 馬少華,高峰,李敏,吳成東;神經(jīng)網(wǎng)絡(luò)分類器的特征提取和優(yōu)選[J];基礎(chǔ)自動化;2000年06期

2 管聰慧,宣國榮;多類問題中的特征提取[J];計算機工程;2002年01期

3 胡威;李建華;陳波;;入侵檢測建模過程中特征提取最優(yōu)化評估[J];計算機工程;2006年12期

4 朱玉蓮;陳松燦;趙國安;;推廣的矩陣模式特征提取方法及其在人臉識別中的應用[J];小型微型計算機系統(tǒng);2007年04期

5 趙振勇;王保華;王力;崔磊;;人臉圖像的特征提取[J];計算機技術(shù)與發(fā)展;2007年05期

6 馮海亮;王麗;李見為;;一種新的用于人臉識別的特征提取方法[J];計算機科學;2009年06期

7 朱笑榮;楊德運;;基于入侵檢測的特征提取方法[J];計算機應用與軟件;2010年06期

8 王菲;白潔;;一種基于非線性特征提取的被動聲納目標識別方法研究[J];軟件導刊;2010年05期

9 陳偉;瞿曉;葛丁飛;;主觀引導特征提取法在光譜識別中的應用[J];科技通報;2011年04期

10 王華,李介谷;人臉斜視圖象的特征提取與恢復[J];上海交通大學學報;1997年01期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國控制與決策學術(shù)年會論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉(zhuǎn)體的幾何特征提取方法[A];第一屆建立和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學學術(shù)會議論文集[C];2006年

4 杜栓平;曹正良;;時間—頻率域特征提取及其應用[A];2005年全國水聲學學術(shù)會議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應用學術(shù)會議專刊[C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術(shù)及其應用學術(shù)會議論文集[C];2009年

7 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國機械工程學會年會論文集[C];2005年

9 劉紅;陳光，

本文編號：941756