基于分类思想的图像显著区域检测

发布时间：2021-09-22 21:40

　　近年来,通过视觉显著区域检测来获得图像中的感兴趣区域,已经成为计算机视觉领域的热门之一。感兴趣的区域即为显著性的区域,而对显著区域进行识别最为有效的方法则是建立一套视觉注意模型。通过以往的研究发现,视觉注意模型的建立通常离不开视觉注意机制,而视觉注意机制又可以分为两种不同的方法:自下而上的视觉注意以及自上而下的视觉注意。自下而上的注意是由数据驱动,是受底层信息所影响的;而自上而下的注意则是任务驱动的,是受高层语义信息影响的。现有的显著区域检测方法往往只包含一种视觉注意机制,使得检测结果与人眼真实看到的存在一定的差距,针对这种问题,本文结合自下而上和自上而下两种视觉注意机制,建立一套自己的视觉注意模型,主要工作包括:（1）分析了经典的Itti算法提取图像特征的优缺点,提出了结合自下而上和自上而下两种视觉注意机制对图像进行特征提取的方法。在自下而上的视觉注意中,提出了使用之前没有应用到显著区域检测领域的Dense Sift方法进行特征提取,并将该方法得到的特征加入到分类器中进行训练,分析实验结果,验证使用Dense Sift方法进行显著性检测的可行性。在自上而下的视觉注意中,通过进行眼动实... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

图１－１显著区域检测应用??

北京交通大学硕士专业学位论文?引言??替传统已有的Ｉｔｔｉ特征提取方法，并在训练阶段采用学习效果更好的Ｍｏｄｅｓｔ??Ａｄａｂｏｏｓｔ分类器。从而在精度、时间上对显著性检测算法进行改进和提高。??本文通过眼动实验获取训练集图像的注视点图，将多个被试者的注视点图进??行叠加、高斯卷积得到“ｇｒｏｕｎｄｔｒｕｔｈ”显著图，在显著图中提取正负样本点用于??后期分类训练。使用Ｄｅｎｓｅ?Ｓｉｆｔ方法对图像进行密集特征提取，同时加入水平线、??中心点等中层特征，将这些特征与通过眼动实验得到的图像上的正负样本点加入??到Ａｄａｂｏｏｓｔ分类器中进行训练，最终得到ＤＥＮＳＡ显著性模型用于进行图像显??著区域检测。最后使用显著性评价指标ＲＯＣ来与现有的显著性检测算法进行比??较，测试模型的性能。图１－２为本文提出的ＤＥＮＳＡ模型框架。??焦点图?ＧｒｏｕｎｄＴｒｕｔｈ?ＪＥ负样本点??

提高计算机的信息处理的效率。视觉注意计算也是一个多科学交叉的研究领域，??对人工智能、认知心理学和计算机图像处理等学科有着重要的意义。??为了更好的理解视觉注意机制，图２－１展示了三张视觉注意的案例图，通过??观察三张案例图，我们发现ａ中的白色圆圈、ｂ中的黑色圆形、ｃ中的不同方向??的线段都能迅速引起我们的注意，出现这种现象的原因就是视觉注意机制在起作??用。??＃?Ｙ／／／，Ｙ，??？？？？？?■■■■?Ｙ＂，Ｙ／ｔ??ａ）?ｂ）?ｃ）??图２－１视觉注意案例图??Ｆｉｇ．２－１?ｔｈｅ?ｅｘａｍｐｌｅ?ｏｆ?ｖｉｓｕａｌ?ａｔｔｅｎｔｉｏｎ??从上面的案例发现，选择性是视觉注意机制最根本的功能之一，表现为不是??６??

【参考文献】：
期刊论文
[1]基于Local特征和Regional特征的图像显著性检测[J]. 郭迎春,袁浩杰,吴鹏.  自动化学报. 2013(08)



本文编号：3404421