基于背景先验和多特征融合的显著性检测算法
发布时间：2021-08-29 11:09
图像显著性的检测作为计算机视觉领域的一个重要研究方向,逐渐受到学者们的关注。其通常被作为图像的一种预处理步骤,例如图像检索和图像压缩等。图像显著性检测的主要目的是模仿人类视觉注意力机制来提取视觉显著区域,即图像中最吸引人类注意的区域。通过图像显著性检测操作,能够从大量视觉信息中选取少量的重要信息作进一步的处理和分析,从而提高图像处理效率。因此,图像显著性检测技术的研究具有十分重要的意义。本文研究路线主要围绕背景先验和多特征融合两条主线展开。为了将图像背景和前景较好的分离,抑制背景噪声,高亮显著性目标区域,得到更加纯净的显著性检测图,本文提出了基于背景先验的显著性检测算法和多特征融合的显著性检测算法。第一种算法首先对图像进行边界提取和超像素分割,将图像四周边界根据限定的阈值提取出来组成边界集合,计算超像素边界概率,得到优化边界集合后,再进一步获取纯净的背景节点集合。最后把所获得的背景节点集合当做先验知识,根据颜色的不同得出的信息计算出全部超像素及背景节点之间的关系,最终得到基于背景先验的显著性检测图。第二种算法针对目前常见算法采用全局特征单层次融合方法,导致局部信息的缺失显著性仅仅被粗略...
【文章来源】：河北科技大学河北省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
MZ算法结果图
11()NkkkIIikkIIIIIIIIISi+++==∈...21nknnIIf=25502.2.4基于全局对比的显著性检测算法为了更好地捕捉图像中的完全显著性，得到完整的显著性目标，基于全局对比的显著性检测算法同样重要。本文将LC算法作为全局对比的代表算法，其感知域为MZ算法的数倍。LC算法过程如下：先来定义像素kI的显著值公式：其中∈]255,0[iI，.表示两个像素直接的颜色度量，N表示图像中所有的像素个数。针对已经明确要使用的输入图像，其各方面信息均已知，包括其颜色信息，并且给定了iI的取值范围，因此可以将式（2-8）改写为式（2-9）：nf表示对应像素值nI在图像中出现的频率，通过使用直方图统计可以得到此数值。LC算法作为全局对比方法的代表，该模型采用256个区间来分割颜色，再用直方图进行统计，使得计算量大大减小，该模型在计算方面比较高效简单。同时该颜色划分方法也带来了一定的弊端，使得颜色对比在该算法当中不能完整的展现出来，这导致检测效果不理想。图2-2为该算法得到的显著性结果图：图2-2LC算法结果图2.3显著性检测常用数据集针对图像显著性检测方法来说，公开数据中常用的有MSRA数据集[25]、SED-100数据集[26]、ECSSD数据集[27]以及JUDD数据集[28]等等。本文将从MSRA数据集中给出的1000幅图像和ECSSD数据集中的1000幅图像对本文提出的算法进行测试。这些数据集的图像不仅内容丰富，而且种类多样，色彩鲜明，非常适合作为显著性检测的测试数据集。这些数据集不仅提供了原始图（2-8）（2-9）
12像，而且还提供了将这些图像人工标注的二值图。(1)MSRA-1000数据集Achanta创建了MSRA-1000数据集，该数据集为MSRA数据集的子集，其中提供了更加精确的人工标记。MSRA数据集中的图像类型丰富，包含人物、风景、动物等图像场景，相对比较简单。图2-3为MSRA-1000中的图像示例，其中第一行为原图，第二行为对应的人工标记图。图2-3MSRA-1000数据集(2)ECSSD数据集ECSSD数据集包含1000幅显著性检测图，该数据集中的显著性检测图像相对于MSRA-1000数据集较为复杂，背景区域比较复杂，可以更好的区分各个显著性检测算法的性能。图2-4为ECSSD-1000中的图像示例，其中第一行为原图，第二行为对应的人工标记图。图2-4ECSSD数据集2.4显著性检测结果性能指标评价许多方法都可以用于评价显著性检测模型预测结果与人工标记间的差异，将显著图和人工标记图（真值图）进行对比，评估检测方法的优劣。目前评价检测方法的性能包含两大类：主观评价和客观评价。2.4.1主观评价主观评价指的是通过肉眼观察显著图和真值图来评价所用算法的准确程度和有
【参考文献】：
期刊论文
[1]基于背景先验与低秩恢复的显著性目标检测方法[J]. 申扬,李巍,刚毅凝,赵睿,郝跃冬,王超. 计算机与现代化. 2019(01)
[2]基于多特征融合的显著性跟踪算法[J]. 杨阳,周海英,王守义. 科学技术与工程. 2017(26)
[3]基于显著性检测的图像匹配[J]. 刘超. 北京信息科技大学学报(自然科学版). 2016(03)
[4]基于显著性局部定向模式和深度学习的鲁棒人脸识别[J]. 吴迪,唐勇奇,林国汉,胡慧. 光电子·激光. 2016(06)
[5]基于颜色属性直方图的尺度目标跟踪算法研究[J]. 毕笃彦,库涛,查宇飞,张立朝,杨源. 电子与信息学报. 2016(05)
[6]融合显著信息的层次特征学习图像分类[J]. 祝军,赵杰煜,董振宇. 计算机研究与发展. 2014(09)
[7]SDN研究简述[J]. 邓书华,卢泽斌,罗成程,高协平. 计算机应用研究. 2014(11)
[8]结合图像信号显著性的自适应分块压缩采样[J]. 王瑞,余宗鑫,杜林峰,万旺根. 中国图象图形学报. 2013(10)
[9]面向低纹理图像的快速立体匹配[J]. 张来刚,魏仲慧,何昕,孙群. 液晶与显示. 2013(03)
[10]低秩矩阵恢复算法综述[J]. 史加荣,郑秀云,魏宗田,杨威. 计算机应用研究. 2013(06)
博士论文
[1]视觉显著性检测方法与应用研究[D]. 黄侃.中国科学院大学(中国科学院上海技术物理研究所) 2017
硕士论文
[1]基于边缘信息的显著性区域检测算法的研究[D]. 王豪聪.江南大学 2018
[2]基于重启随机游走与多层次图模型的图像显著性检测方法研究[D]. 何周琴.安徽大学 2018
[3]基于先验信息的图像显著性检测[D]. 姚钊健.广东工业大学 2018
[4]视觉显著性检测模型研究[D]. 蒋唯.中北大学 2018
[5]基于特征融合的复杂纹理图像显著性检测[D]. 杨旭坤.西安电子科技大学 2017
[6]视觉注意显著性检测和多焦距图像信息融合问题研究[D]. 白钶凡.吉林大学 2017
[7]结合局部特征与空间关系的多物体检测算法研究[D]. 朱玉琨.上海交通大学 2014
[8]基于视觉注意机制及区域生长的图像分割方法研究[D]. 梁丹.浙江大学 2013
本文编号：3370540
【文章来源】：河北科技大学河北省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
MZ算法结果图
11()NkkkIIikkIIIIIIIIISi+++==∈...21nknnIIf=25502.2.4基于全局对比的显著性检测算法为了更好地捕捉图像中的完全显著性，得到完整的显著性目标，基于全局对比的显著性检测算法同样重要。本文将LC算法作为全局对比的代表算法，其感知域为MZ算法的数倍。LC算法过程如下：先来定义像素kI的显著值公式：其中∈]255,0[iI，.表示两个像素直接的颜色度量，N表示图像中所有的像素个数。针对已经明确要使用的输入图像，其各方面信息均已知，包括其颜色信息，并且给定了iI的取值范围，因此可以将式（2-8）改写为式（2-9）：nf表示对应像素值nI在图像中出现的频率，通过使用直方图统计可以得到此数值。LC算法作为全局对比方法的代表，该模型采用256个区间来分割颜色，再用直方图进行统计，使得计算量大大减小，该模型在计算方面比较高效简单。同时该颜色划分方法也带来了一定的弊端，使得颜色对比在该算法当中不能完整的展现出来，这导致检测效果不理想。图2-2为该算法得到的显著性结果图：图2-2LC算法结果图2.3显著性检测常用数据集针对图像显著性检测方法来说，公开数据中常用的有MSRA数据集[25]、SED-100数据集[26]、ECSSD数据集[27]以及JUDD数据集[28]等等。本文将从MSRA数据集中给出的1000幅图像和ECSSD数据集中的1000幅图像对本文提出的算法进行测试。这些数据集的图像不仅内容丰富，而且种类多样，色彩鲜明，非常适合作为显著性检测的测试数据集。这些数据集不仅提供了原始图（2-8）（2-9）
12像，而且还提供了将这些图像人工标注的二值图。(1)MSRA-1000数据集Achanta创建了MSRA-1000数据集，该数据集为MSRA数据集的子集，其中提供了更加精确的人工标记。MSRA数据集中的图像类型丰富，包含人物、风景、动物等图像场景，相对比较简单。图2-3为MSRA-1000中的图像示例，其中第一行为原图，第二行为对应的人工标记图。图2-3MSRA-1000数据集(2)ECSSD数据集ECSSD数据集包含1000幅显著性检测图，该数据集中的显著性检测图像相对于MSRA-1000数据集较为复杂，背景区域比较复杂，可以更好的区分各个显著性检测算法的性能。图2-4为ECSSD-1000中的图像示例，其中第一行为原图，第二行为对应的人工标记图。图2-4ECSSD数据集2.4显著性检测结果性能指标评价许多方法都可以用于评价显著性检测模型预测结果与人工标记间的差异，将显著图和人工标记图（真值图）进行对比，评估检测方法的优劣。目前评价检测方法的性能包含两大类：主观评价和客观评价。2.4.1主观评价主观评价指的是通过肉眼观察显著图和真值图来评价所用算法的准确程度和有
【参考文献】：
期刊论文
[1]基于背景先验与低秩恢复的显著性目标检测方法[J]. 申扬,李巍,刚毅凝,赵睿,郝跃冬,王超. 计算机与现代化. 2019(01)
[2]基于多特征融合的显著性跟踪算法[J]. 杨阳,周海英,王守义. 科学技术与工程. 2017(26)
[3]基于显著性检测的图像匹配[J]. 刘超. 北京信息科技大学学报(自然科学版). 2016(03)
[4]基于显著性局部定向模式和深度学习的鲁棒人脸识别[J]. 吴迪,唐勇奇,林国汉,胡慧. 光电子·激光. 2016(06)
[5]基于颜色属性直方图的尺度目标跟踪算法研究[J]. 毕笃彦,库涛,查宇飞,张立朝,杨源. 电子与信息学报. 2016(05)
[6]融合显著信息的层次特征学习图像分类[J]. 祝军,赵杰煜,董振宇. 计算机研究与发展. 2014(09)
[7]SDN研究简述[J]. 邓书华,卢泽斌,罗成程,高协平. 计算机应用研究. 2014(11)
[8]结合图像信号显著性的自适应分块压缩采样[J]. 王瑞,余宗鑫,杜林峰,万旺根. 中国图象图形学报. 2013(10)
[9]面向低纹理图像的快速立体匹配[J]. 张来刚,魏仲慧,何昕,孙群. 液晶与显示. 2013(03)
[10]低秩矩阵恢复算法综述[J]. 史加荣,郑秀云,魏宗田,杨威. 计算机应用研究. 2013(06)
博士论文
[1]视觉显著性检测方法与应用研究[D]. 黄侃.中国科学院大学(中国科学院上海技术物理研究所) 2017
硕士论文
[1]基于边缘信息的显著性区域检测算法的研究[D]. 王豪聪.江南大学 2018
[2]基于重启随机游走与多层次图模型的图像显著性检测方法研究[D]. 何周琴.安徽大学 2018
[3]基于先验信息的图像显著性检测[D]. 姚钊健.广东工业大学 2018
[4]视觉显著性检测模型研究[D]. 蒋唯.中北大学 2018
[5]基于特征融合的复杂纹理图像显著性检测[D]. 杨旭坤.西安电子科技大学 2017
[6]视觉注意显著性检测和多焦距图像信息融合问题研究[D]. 白钶凡.吉林大学 2017
[7]结合局部特征与空间关系的多物体检测算法研究[D]. 朱玉琨.上海交通大学 2014
[8]基于视觉注意机制及区域生长的图像分割方法研究[D]. 梁丹.浙江大学 2013
本文编号：3370540
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3370540.html
最近更新
教材专著
