特征融合的显著目标检测方法研究

发布时间：2017-07-04 17:04

  本文关键词：特征融合的显著目标检测方法研究

  更多相关文章： 显著目标检测 特征融合 流行排序 构图先验

【摘要】：显著目标检测是通过计算机检测图像中的主要内容,它是机器视觉的重要组成部分。由于人类视觉注意系统的进化与发展,人眼具备迅速而准确地捕获图像中显著区域的特点,而随着计算机视觉技术的需求与发展,人们越来越希望机器能够跟人一样,能够快速而准确地搜索图像中的主要内容。显著目标检测主要研究的就是人类的视觉注意系统并模拟人眼来检测图像中的重要区域。基于视觉注意机制的显著目标检测技术在图像处理、人工智能等计算机视觉的多个领域都具有重要的研究意义。同时,该研究还可以应用在诸如图像检索、图像分割、目标识别与跟踪等各种领域中,它具有重要的应用意义。近年来,由于显著目标检测研究的重要性,它吸引了研究者们广泛的关注,并逐步成为研究热点。为了解决计算机在模拟人眼检测图像中的显著区域时出现的准确率不高和速度慢等问题,研究者们提出了多种计算模型。本文对这些计算模型进行回顾与分析,并从特征融合的角度研究图像显著目标检测方法。首先,传统的显著目标检测算法大多是基于对比度特征的,这些算法虽然取得了一定的成果,但是由于目标个体的行为差异,对比度特征并不能适用于所有情况。所以,针对基于对比度特征算法的适应性不足问题,本文提出融合颜色区别性特征、边界先验特征以及objectness特征来进行显著目标检测。具体来说,本文先从目标角度提取图像的颜色区别性特征,然后从背景角度根据边界先验提取图像的边界先验特征,将提取到的这两种特征进行线性融合以保持显著信息的完整性。随后,提取图像的objectness特征,进行乘法融合来加强显著性,最终得到显著图。其次,本文启发于近年来基于边界先验的显著目标检测算法中关于图像空间布局的思想,提出了融合构图先验特征的显著检测方法。从图像的构成来看,副图像的生成是符合一定的构图法则的,比如最常见的三分构图法。因此,本文做出这样的假设：图像的目标区域主要分布在三分构图线周围。并将这样的知识称之为构图先验。然后将显著性检测视为一个二分类的过程,并使用流行排序算法来计算显著值。首先,根据流行排序算法对图像进行多尺度超像素分割,然后根据超像素分割结果构造闭环图；其次,提取构图线区域超像素的颜色特征,根据构图先验知识将构图线周围的超像素设置为查询节点,使用流行排序算法计算每个超像素的显著值；然后,从目标和背景两个角度对检测的显著区域进行细化并利用像素区别性特征对像素点的显著值进行矫正；最后,为提高显著检测的准确性,融合多尺度显著值得到最终显著图。融合构图先验的显著目标检测方法是根据图像的空间布局,从构图线角度研究显著目标的分布。通过在MSRA-1000、CSSD以及ECSSD这三个公开的数据集上实验验证,表明本文的两种方法跟其他算法相比,算法性能有较大的提升。
【关键词】：显著目标检测 特征融合 流行排序 构图先验
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要3-5
• Abstract5-10
• 第一章 绪论10-20
• 1.1 研究背景与意义10-12
• 1.2 国内外研究现状12-17
• 1.3 本文主要工作与章节安排17-20
• 1.3.1 本文主要工作与创新点17-18
• 1.3.2 章节安排18-20
• 第二章 显著性检测的相关理论与算法20-31
• 2.1 人类视觉感知系统20-21
• 2.2 视觉注意机制21-23
• 2.3 颜色特征23-27
• 2.3.1 CIE Lab颜色空间与RGB颜色空间的相互转换23-26
• 2.3.2 颜色特征描述法26-27
• 2.3.3 颜色对比度特征27
• 2.4 图像分割算法27-28
• 2.4.1 SLIC超像素分割27-28
• 2.4.2 Mean-shift区域分割28
• 2.5 流行排序算法28-30
• 2.5.1 构造闭环图29
• 2.5.2 流行排序29-30
• 2.6 本章小结30-31
• 第三章 特征融合与Objectness加强的显著目标检测31-37
• 3.1 算法基本原理32-33
• 3.2 颜色区别性特征33-34
• 3.3 边界先验特征34-35
• 3.4 Objectness特征35-36
• 3.5 融合36
• 3.6 本章小结36-37
• 第四章 融合多尺度构图先验的显著目标检测算法37-46
• 4.1 构图先验知识38-39
• 4.2 多尺度分割39-40
• 4.3 融合构图先验的显著计算方法40-45
• 4.3.1 显著计算40-41
• 4.3.2 细化显著图41-43
• 4.3.3 像素点显著值矫正43-45
• 4.4 多尺度融合45
• 4.5 本章小结45-46
• 第五章 实验结果与分析46-58
• 5.1 数据集与评价指标46-48
• 5.1.1 数据集46-47
• 5.1.2 评价指标47-48
• 5.2 特征融合与objectness加强的显著目标检测实验结果48-51
• 5.2.1 评估各项特征48-49
• 5.2.2 MRSA-1000数据集49
• 5.2.3 CSSD数据集49-50
• 5.2.4 ECSSD数据集50
• 5.2.5 质量比较50-51
• 5.3 融合多尺度构图先验的显著目标检测实验结果51-56
• 5.3.1 单一尺度与多尺度对比52
• 5.3.2 矫正与不矫正对比52-53
• 5.3.3 MSRA-1000数据集上比较53-54
• 5.3.4 CSSD数据集上比较54
• 5.3.5 ECSSD数据集上比较54-55
• 5.3.6 运行时间比较55-56
• 5.3.7 质量比较56
• 5.4 本章小结56-58
• 第六章 总结与展望58-60
• 6.1 本文总结58-59
• 6.2 本文展望59-60
• 参考文献60-66
• 致谢66-67
• 攻读学位期间发表的学术论文及其他成果67

【参考文献】

中国期刊全文数据库 前2条

1 王春瑶;陈俊周;李炜;;超像素分割算法研究综述[J];计算机应用研究;2014年01期

2 田媚;罗四维;齐英剑;廖灵芝;;基于视觉系统“What”和“Where”通路的图像显著区域检测[J];模式识别与人工智能;2006年02期

中国博士学位论文全文数据库 前2条

1 李志强;视觉显著性模型研究及其在影像处理中的应用[D];上海交通大学;2009年

2 单列;视觉注意机制的若干关键技术及应用研究[D];中国科学技术大学;2008年

中国硕士学位论文全文数据库 前10条

1 邹强;复杂背景下显著性目标快速检测技术研究[D];中国科学院研究生院（光电技术研究所）;2014年

2 郝秀琪;基于多特征的图像检索研究[D];大连理工大学;2015年

3 蔡万利;视觉显著计算及其在自然图像感兴趣目标检测中的应用研究[D];南京理工大学;2014年

4 沙杰峰;基于人类视觉注意机制的显著目标检测与分割[D];华中科技大学;2014年

5 徐凯;基于显著性分析的视觉注意模型研究[D];复旦大学;2013年

6 杨川;基于先验融合和流形排序的显著目标检测[D];大连理工大学;2013年

7 胡旭;彩色空间下运动目标检测与跟踪问题研究[D];郑州大学;2013年

8 王飞;基于上下文和背景的视觉显著性检测[D];大连理工大学;2013年

9 梁丹;基于视觉注意机制及区域生长的图像分割方法研究[D];浙江大学;2013年

10 庞静超;基于视觉特征空间对比分析的显著性检测算法研究[D];燕山大学;2012年

，

本文编号：518565