图像显著性目标检测算法研究

发布时间：2022-02-17 18:05

　　随着移动电子设备的不断升级与应用,使用图像来记录或表达信息已成为一种常态。我们要想快速地在海量图像中提取出有价值的信息,那么需要模拟人类视觉系统在机器视觉系统进行计算机视觉热点问题的研究。图像显著性目标检测对图像中最引人注意且最能表征图像内容的部分进行检测。在图像显著性目标检测任务中,传统的方法一般利用纹理、颜色等低层级视觉信息自下向上地进行数据驱动式检测。对于含有单一目标或高对比度的自然场景图像,可以从多个角度去挖掘其显著性信息,如先验知识、误差重构等。然而,对于那些具有挑战性的自然场景图像,如复杂的背景、低对比度等,传统的方法通常会检测失败。基于深度卷积神经网络的算法利用高层级语义信息结合上下文充分挖掘潜在的细节,相较于传统的方法已取得了更优越的显著性检测性能。本文对于图像显著性检测任务存在的主要问题提出了相应的解决方法。本文的主要贡献如下:为充分挖掘图像多种显著性信息,并使其能够达到优势互补效果,本文提出了一种有效的模型,即融合先验信息和重构信息的显著性目标检测模型。重构过程包括密度重构策略与稀疏重构策略。密度重构其优势在于能够更准确地定位存在于图像边缘的显著性物体。而稀疏重构更... 

【文章来源】：山东大学山东省211工程院校985工程院校教育部直属院校

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究的背景与意义
    1.2 国内外研究现状
    1.3 本文的结构安排
第二章 融合重构和先验的显著性目标检测模型
    2.1 引言
    2.2 重构算法
        2.2.1 密度重构
        2.2.2 稀疏重构
    2.3 先验算法
        2.3.1 背景先验
        2.3.2 中心先验
    2.4 融合重构和先验的显著性目标检测模型
    2.5 实验结果与分析
    2.6 本章小结
第三章 基于多层级连续特征细化的深度显著性目标检测模型
    3.1 引言
    3.2 多层级连续特征提取
    3.3 分层边界细化
    3.4 初始显著性特征融合
    3.5 网络训练与实施细节
    3.6 实验结果与分析
    3.7 本章小结
第四章 基于通道分层特征响应的深度显著性目标检测模型
    4.1 引言
    4.2 通道粗特征提取
    4.3 通道分层特征细化
    4.4 分层特征图融合
    4.5 网路训练与实施细节
    4.6 实验结果与分析
    4.7 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读学位期间发表的学术论文
学位论文评阅及答辩情况表



本文编号：3629868