基于并行化卷积神经网络的图像显著性检测研究
发布时间：2022-01-05 03:21
图像显著性检测是对图像中人眼关注的区域进行检测,在图像标记、语义分割、图像压缩和图像内容感知等图像处理方面有着广泛的应用。高效的图像显著性检测算法可以提取出有价值的图像区域,大大提高图像处理的效率。近年来,图像显著性检测作为计算机视觉研究中的关键技术,受到了大量国内外学者的关注。在当前的图像显著性检测算法当中,传统的基于数学理论手动提取特征获取图片显著区域的方法能够很好的检测显著对象的细节信息,但在检测显著对象的全局信息方面有所欠缺,并对噪点相对比较敏感,基于语义特征的检测算法能够准确的检测出具有代表类别的显著性对象,但对显著目标细节的检测能力略显不足。为此,本文基于并行化网络结构对图像显著性检测展开了研究,研究内容主要包括以下三个方面:（1）针对单一类型的显著性信息不能很好的解决显著对象定位和显著对象与背景之间边界细化的情况,提出了一种通过提取混合特征来检测图像显著性的方法,该方法融合了图像区域对比信息和图像中的语义信息。融合后的混合特征图同时具备了处理显著对象定位问题和显著对象与背景边界细化问题的能力,实现了通过多类别显著性信息进行图像显著性检测的目的。（2）在混合特征的构建过程中...
【文章来源】：江苏大学江苏省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
算法检测测试图
基于并行化卷积神经网络的图像显著性检测研究2息，因而，如何有效的整合图像的宏观信息和微观信息成为了图像显著性检测算法需要解决的关键问题。当前比较流行的显著性检测算法主要分为两种，其中包括基于图像颜色信息、纹理信息以及边缘信息等低级特征的显著性检测算法。这种方法能够很好的发现图像信息中的细节特征，并将其应用在显著目标检测上，因而在检测显著目标的边缘细化方面以及细节处理上有着良好的效果。然而过分考虑显著对象的细节处理所带来的问题则是这一类方法在检测显著目标对象全局信息的能力上有所欠缺，并且对噪点相对比较敏感。另外一种则是基于图像中的对象全局信息以及对象与对象之间的联系来进行图像显著性检测的方法。通过对图像全局信息的分析，根据训练样本中具有代表性的特征来检测某些固定类型的显著对象。同样的，这类偏向于分析图像整体信息的算法在检测训练样本中具有代表性类别的显著对象方面有着很好的表现，然而这类算法在显著目标细节的检测上能力略显不足，检测结果的显著图会比较粗糙，如图1.1和图1.2所示。图1.1算法检测测试图Fig.1.1Algorithmdetectiontestimage图1.2算法检测结果Fig.1.2Algorithmdetectionresults深度学习算法能够通过基于卷积运算的神经网络[24-26]进行图像显著性检测。神经网络系统中多层的卷积运算处理，一层一层的将图像中最开始的低级特征表示转化成高级的语义特征表示，它能够模仿人类的视觉注意力机制学习图像中具有显著性对象的特征表述[27]，通过学习训练样本数据中的显著对象特征表述来完成图像中显著目标区域和背景区域的划分。近年来，基于深度学习网络的显著性检测方法也层出不穷，并且相较于传统的检测方法基于深度学习网络的方法都表现出了相对较好的检测效果。
江苏大学工学硕士学位论文19检测模型用于模拟完整图像的显著性，而局部语境检测模型则用于区域级显著性检测。全局和局部语境被集成到多语境深度学习框架中，用于检测最终的图像显著性。通过图像分割算法将图像划分成不同的像素簇，以待检测像素簇为中心包含整个图像内容在内的矩形区域作为全局语境检测神经网络模型的输入，图像边界以外的区域用该图像区域中像素点的平均值代替。然后将填充后的图像作为神经网络的输入来检测该区域在全局语境下的信息特征。利用这种提出的填充方案能够保证检测区域的像素簇总是位于输入图像的中心。网络结构的最后一层有2个神经元，随后是一个softmax函数作为输出，表明中心待检测像素簇的显著度。算法结构如图2.1所示。图2.1MCDL算法网络结构图Fig.2.1NetworkstructurediagramofMCDLalgorithm在MCDL算法结构图中，上分支网络为基于深度卷积神经网络的全局信息检测模型，以像素簇为中心且填充值为平均像素值的窗口作为输入，用于检测图像区域在全局信息下的显著性。下分支网络则更加关注以像素簇为中心的窗口局部信息建模。然后是将全局显著性检测结果和局部显著信息检测结果组合在一起的全连接层，网络的最后通过SoftMax函数作为输出得到最终的显著图。在图像显著性检测卷积网络模型框架中，上分支的全局语境检测模型能够很好的突出图像的显著区域，下分支模型则是通过对局部信息的分析来优化显著对象的细节处理，对中心像素簇的显著结果进行优化预测。在这项工作中，局部信息分析模型采用与全局内容分析模型相似形式的输入，但只有全局语境分析模型输入范围的三分之一。局部内容分析模型与全局内容分析模型共享相同的深层结构，但具有独立参数，其他深层结构也可以灵活地并入局部内容分析模型中。在
【参考文献】：
期刊论文
[1]惰性随机游走视觉显著性检测算法[J]. 李波,卢春园,金连宝,冷成财. 中国图象图形学报. 2016(09)
[2]引入视觉注意机制的目标跟踪方法综述[J]. 黎万义,王鹏,乔红. 自动化学报. 2014(04)
[3]基于灰度共生矩阵的纹理特征提取[J]. 高程程,惠晓威. 计算机系统应用. 2010(06)
本文编号：3569625
【文章来源】：江苏大学江苏省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
算法检测测试图
基于并行化卷积神经网络的图像显著性检测研究2息，因而，如何有效的整合图像的宏观信息和微观信息成为了图像显著性检测算法需要解决的关键问题。当前比较流行的显著性检测算法主要分为两种，其中包括基于图像颜色信息、纹理信息以及边缘信息等低级特征的显著性检测算法。这种方法能够很好的发现图像信息中的细节特征，并将其应用在显著目标检测上，因而在检测显著目标的边缘细化方面以及细节处理上有着良好的效果。然而过分考虑显著对象的细节处理所带来的问题则是这一类方法在检测显著目标对象全局信息的能力上有所欠缺，并且对噪点相对比较敏感。另外一种则是基于图像中的对象全局信息以及对象与对象之间的联系来进行图像显著性检测的方法。通过对图像全局信息的分析，根据训练样本中具有代表性的特征来检测某些固定类型的显著对象。同样的，这类偏向于分析图像整体信息的算法在检测训练样本中具有代表性类别的显著对象方面有着很好的表现，然而这类算法在显著目标细节的检测上能力略显不足，检测结果的显著图会比较粗糙，如图1.1和图1.2所示。图1.1算法检测测试图Fig.1.1Algorithmdetectiontestimage图1.2算法检测结果Fig.1.2Algorithmdetectionresults深度学习算法能够通过基于卷积运算的神经网络[24-26]进行图像显著性检测。神经网络系统中多层的卷积运算处理，一层一层的将图像中最开始的低级特征表示转化成高级的语义特征表示，它能够模仿人类的视觉注意力机制学习图像中具有显著性对象的特征表述[27]，通过学习训练样本数据中的显著对象特征表述来完成图像中显著目标区域和背景区域的划分。近年来，基于深度学习网络的显著性检测方法也层出不穷，并且相较于传统的检测方法基于深度学习网络的方法都表现出了相对较好的检测效果。
江苏大学工学硕士学位论文19检测模型用于模拟完整图像的显著性，而局部语境检测模型则用于区域级显著性检测。全局和局部语境被集成到多语境深度学习框架中，用于检测最终的图像显著性。通过图像分割算法将图像划分成不同的像素簇，以待检测像素簇为中心包含整个图像内容在内的矩形区域作为全局语境检测神经网络模型的输入，图像边界以外的区域用该图像区域中像素点的平均值代替。然后将填充后的图像作为神经网络的输入来检测该区域在全局语境下的信息特征。利用这种提出的填充方案能够保证检测区域的像素簇总是位于输入图像的中心。网络结构的最后一层有2个神经元，随后是一个softmax函数作为输出，表明中心待检测像素簇的显著度。算法结构如图2.1所示。图2.1MCDL算法网络结构图Fig.2.1NetworkstructurediagramofMCDLalgorithm在MCDL算法结构图中，上分支网络为基于深度卷积神经网络的全局信息检测模型，以像素簇为中心且填充值为平均像素值的窗口作为输入，用于检测图像区域在全局信息下的显著性。下分支网络则更加关注以像素簇为中心的窗口局部信息建模。然后是将全局显著性检测结果和局部显著信息检测结果组合在一起的全连接层，网络的最后通过SoftMax函数作为输出得到最终的显著图。在图像显著性检测卷积网络模型框架中，上分支的全局语境检测模型能够很好的突出图像的显著区域，下分支模型则是通过对局部信息的分析来优化显著对象的细节处理，对中心像素簇的显著结果进行优化预测。在这项工作中，局部信息分析模型采用与全局内容分析模型相似形式的输入，但只有全局语境分析模型输入范围的三分之一。局部内容分析模型与全局内容分析模型共享相同的深层结构，但具有独立参数，其他深层结构也可以灵活地并入局部内容分析模型中。在
【参考文献】：
期刊论文
[1]惰性随机游走视觉显著性检测算法[J]. 李波,卢春园,金连宝,冷成财. 中国图象图形学报. 2016(09)
[2]引入视觉注意机制的目标跟踪方法综述[J]. 黎万义,王鹏,乔红. 自动化学报. 2014(04)
[3]基于灰度共生矩阵的纹理特征提取[J]. 高程程,惠晓威. 计算机系统应用. 2010(06)
本文编号：3569625
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3569625.html
最近更新
教材专著
