图像显著性检测若干关键问题研究

发布时间：2021-09-30 23:35

　　图像显著性检测是计算机图像处理领域一个重要的研究分支,通过分析图像内容得到最吸引人的区域。图像显著性检测可以作为一项单独的研究内容,也可以作为预处理算法提升其他图像算法的性能,因此对图像显著性检测进行深入地研究具有重要的意义。图像中的显著性区域通常具有统一的特点。这些区域往往在图像整体中体现出了与众不同的视觉表观,并且与相邻区域具有较大的视觉差异,因此才能吸引人类视线。基于这两种特性,显著性检测算法通常会设计对应的图像显著性特征进行模拟:第一种从全局范围对图像进行显著性检测,一般被称为全局显著性特征;另一种从局部范围对图像内容进行分析,一般被称为局部显著性特征。本文围绕着图像显著性检测中的这两种特性,从传统的显著性检测算法和基于深度学习的显著性网络模型两个方向分别进行深入的研究,并结合各自特点完成对图像的显著性检测。对于传统的显著性检测算法,通常对图像不同的区域进行建模,进而通过计算不同模型之间的对比度来得到显著性信息。因此模型中蕴含语义信息的丰富程度以及距离度量的准确性会对结果产生较大的影响。围绕这两个因素,本文提出了使用多颜色信息融合模型结合鲁棒的聚合Wasserstein距离来设... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：124 页

【学位级别】：博士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 显著性检测研究现状
        1.2.1 传统的图像显著性检测算法
        1.2.2 基于深度学习的显著性检测算法
    1.3 本文内容安排及主要创新点
        1.3.1 本文内容安排
        1.3.2 本文主要创新点
第2章 显著性检测算法相关背景知识
    2.1 传统显著性检测算法背景知识
        2.1.1 超像素算法
        2.1.2 显著性特征
        2.1.3 显著性先验
    2.2 深度显著性检测算法背景知识
        2.2.1 卷积神经网络基本原理
        2.2.2 常见卷积神经网络结构
        2.2.3 注意力机制
    2.3 本章小结
第3章 基于聚合WASSERSTEIN距离的显著性检测
    3.1 引言
    3.2 多颜色信息融合模型
    3.3 基于聚合WASSERSTEIN距离的全局显著特征
    3.4 基于区域颜色信息的局部显著特征
    3.5 显著性特征融合
    3.6 基于全局显著性的谱聚类
    3.7 实验结果
        3.7.1 实验数据集
        3.7.2 评测指标
        3.7.3 对比实验结果
            3.7.3.1 可视化对比结果
            3.7.3.2 PR曲线结果
            3.7.3.3 F-measure结果
            3.7.3.4 运行时间结果
        3.7.4 消融实验结果
            3.7.4.1 局部显著特征与全局显著特征
            3.7.4.2 单高斯模型效果分析
    3.8 本章小结
第4章 基于交互自注意力机制的深度显著性网络
    4.1 引言
    4.2 网络整体结构
    4.3 自注意力机制
    4.4 交互自注意力模块
    4.5 多尺度侧向输出融合模块
    4.6 实验结果
        4.6.1 实验数据集
        4.6.2 评测指标
        4.6.3 实现细节
        4.6.4 对比实验结果
            4.6.4.1 可视化对比结果
            4.6.4.2 PR曲线对比结果
            4.6.4.3 F-measure对比结果
            4.6.4.4 MAE对比结果
            4.6.4.5 S-measure对比结果
        4.6.5 消融实验结果
            4.6.5.1 交互学习效果分析
            4.6.5.2 多尺度融合模块效果分析
            4.6.5.3 自注意力模块效果分析
    4.7 本章小结
第5章 基于显著性信息的弱监督图像语义分割网络
    5.1 引言
    5.2 网络整体结构
    5.3 基于分类激活图的种子点生成
    5.4 基于显著性信息的种子区域生长算法
    5.5 实验结果
        5.5.1 实验数据集
        5.5.2 评测指标
        5.5.3 实验设置参数
        5.5.4 对比实验结果
        5.5.5 可视化结果
    5.6 本章小结
第6章 总结与展望
    6.1 本文总结
    6.2 未来工作展望
参考文献
作者简介及在学期间所取得的科研成果
致谢



本文编号：3416842