基于协同排序模型的RGBT显著性检测研究

发布时间：2021-04-08 08:41

　　基于RGBT显著性检测目前已成为计算机视觉领域的热点课题。通过融合可见光（RGB）和热红外（T）光谱信息,RGBT显著性检测可以有效克服单模态成像受限而导致的挑战因素。如低照度、恶劣天气等。近年来,研究学者提出了基于图模型和深度特征融合的RGBT显著性检测方法,极大的提高了检测性能,但大部分方法没有充分挖掘可见光与热红外数据的本质联系。本文通过融合可见光和热红外数据,在建立不同模态间的本质联系方面,提出了一种基于种子点优化排序模型以及一种新型协同排序模型的RGBT图像显著性检测算法。本文主要工作包括:第一,提出了种子点优化排序模型。为了克服光照条件和恶劣天气等环境因素对显著性检测的影响,图像噪声问题以及目标接近边界而难以检测等问题,本文在传统流形排序方法的基础上,提出了一种基于种子点优化排序模型的RGBT显著性检测方法。首先,利用超像素分割算法对给定的RGBT图像对进行分割,得到超像素图,以超像素结点作为图结点,构造图模型,并引入跨模态一致性约束对模态协同关系建模,通过快速优化算法进行显著值计算。其次,为了处理图像噪声问题,本文引入中间变量优化排序种子点,并将其转化为稀疏学习问题。最后... 

【文章来源】：安徽大学安徽省 211工程院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

热红外数据在恶劣环境下的优势Figure1.1Theadvantagesofthermalinfrareddatainharshenvironments

安徽大学硕士学位论文11图2.1VT821数据集挑战性结果示例Figure2.1SampleimagepairswithannotatedgroundtruthsandchallengesfromVT821RGBTdataset图2.2VT1000数据集挑战性结果示例Figure2.2SampleimagepairswithannotatedgroundtruthsandchallengesfromVT1000RGBTdataset

安徽大学硕士学位论文11图2.1VT821数据集挑战性结果示例Figure2.1SampleimagepairswithannotatedgroundtruthsandchallengesfromVT821RGBTdataset图2.2VT1000数据集挑战性结果示例Figure2.2SampleimagepairswithannotatedgroundtruthsandchallengesfromVT1000RGBTdataset

【参考文献】：
硕士论文
[1]基于稀疏表示模型的热红外与可见光图像融合研究[D]. 李海超.安徽大学 2016



本文编号：3125239