基于多特征融合与深度先验信息的图像显著性检测算法研究

发布时间：2021-07-09 00:54

　　图像显著性检测是图像处理中最重要的技术之一,广泛应用于图像压缩、图像分割等任务中。自底向上的检测算法在某些复杂图像上难以获得接近人眼注意范围的显著区域,自顶向下的检测算法可利用的真实先验信息较少,因此本文提出了一种基于多特征融合与深度先验信息的图像显著性检测算法,具体工作如下:（1）提出一种基于FLIC融合颜色与纹理特征的图像显著性检测算法,分别在颜色通道和纹理通道中获得基于FLIC的颜色特征显著图和纹理特征显著图,再进行线性融合获得最终显著图。在四个公开数据集上与7种自底向上的显著性检测算法比较,绘制了PR-Curve、MAE以及F_?三个指标图,实验结果表明,基于多特征融合的检测算法性能较好,但在某些具体场景下仍有提升空间。（2）为了提升多特征融合显著性检测算法的性能,提出一种基于深度先验信息辅助的图像显著性提升模型,更加充分地利用图像信息。该模型采用修改的VGG16提取图像像素点与图像区域的特征向量,在特征空间内训练一个最邻近分类器判断像素点与图像区域之间的归属关系。原始图像和真值作为输入进行训练,通过网络学习到图像真值区域特征和像素特征之间的联系。把原始图像... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：88 页

【学位级别】：硕士

【部分图文】：

图像及其显著区域示例

传播算法仍然是很多神经网络任务的基础算法。1986 年之后，神经网络在各领域的应用就蓬勃发展起来了，特别是近几年，呈现一种爆发趋势。图2.2 受限玻尔兹曼机结构示意图2.1.2 神经网络的特性现有的各种神经网络模型都是对高等生物神经系统的简化抽象与模拟，可以看作由许多并行互联的简单神经元构成。在神经元上进行信息处理，神经元之间进行信息存储，一个包含多个神经元的多层神经网络模型描述了一个神经网络如何将输入转化为输出的过程，这一过程可以通过数学公式模拟出来。神经元主要包含以下三个基本要素：（1）连接权值：连接权值指的是神经网络中相互连接的两个神经元之间的连接关系，该值可正可负。在实际训练中，在每一次反向传播前后连接权值可能是不一样的。（2）加法器：神经元的输入变量（可能不唯一）与神经元的连接权值对应相乘之后和偏置一起通过加法器求和，实际上就是对输入信号进行线性加权组合

图2.8 UCF 总体框架该方法的第二个亮点是推导出了一种新的上采样方法来减少生成显著图中的虚影。首先限制卷积核的大小，确保卷积核的大小k 是卷积步幅s 的整倍数，如式(2-35)所示；其次将上采样与卷积分开执行，即先通过插值调整特征图的大小，然后再执行卷积操作，虽然这种做法可能破坏网络学习到的特征，但是通过堆叠多个这种特征图能够构造出虚影较少的输出图像。k s N(2-35)2.2.4 仿真分析前三小节总共研究了 HC、RC、SF、MR、MDF、UCF 共 6 个显著性检测算法，本文在阅读提出上述几种方法论文的基础上，对他们的工作进行了复现，示例如图 2.9所示，发现这 5 种算法（其中 HC 和 RC 算一种）是分别用到了图像直方图、图像超像素分割、高斯滤波、图论、神经网络等经典的图像处理方法，其中图像的超像素作为一种图像预处理办法，除了 HC 外其他几个方法都用到了。由此可见，超像素分割


本文编号：3272677