基于注意力机制的图像显著性检测的研究

发布时间：2022-09-30 18:47

　　人类凭借眼睛和神经系统可以在极短的时间内发现场景中有价值的信息,若能使计算机具备这种快速信息提取能力,便可使它们高效地服务人类生活。图像显著性检测就是让计算机拥有人类的视觉注意力机制,利用图像自身特征计算出每个像素点属于前景的概率,进而分割出图像中的显著物体。本文根据人类的注意力机制,对自底向上的图像显著性检测方法进行研究,并将静态图像显著性检测方法与视频中图像的运动信息结合,从而计算视频序列中多帧图像的显著性,主要研究内容如下:（1）针对当前图像显著性检测算法存在的边缘检测不清晰和内部不均匀的问题,提出一种以无向权重图为基础,结合多特征传播计算图像显著性的检测方法。首先以超像素为节点构建无向图并改进边界超像素的连接方式。在改进的图的基础上利用图像颜色、纹理特征和局部对比及中心先验等多种先验知识提取高层特征,并得到基于底层特征的显著图。其次,利用高层特征和显著物体的紧凑性分别计算基于前景、背景种子的显著图并融合。最后,将两阶段得到的显著图融合得到最终的显著图。实验表明该算法能更清晰的检测出显著物体的边缘,且能均匀突出整个显著区域。（2）针对复杂环境下,当前图像显著性检测算法难以正确检测... 

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题研究的背景和意义
    1.2 国内外研究现状
    1.3 本文研究内容
    1.4 论文结构
第二章 相关理论基础
    2.1 视觉注意力机制
        2.1.1 对比度原理
        2.1.2 center-surround原理
        2.1.3 边界先验原理
    2.2 图像显著特征
        2.2.1 颜色特征
        2.2.2 纹理特征
        2.2.3 轮廓特征
        2.2.4 运动特征
    2.3 常用的显著性检测模型
        2.3.1 流形排序算法
        2.3.2 元胞自动机模型
        2.3.3 稀疏表示理论
    2.4 数据集和评价标准
        2.4.1 数据集
        2.4.2 评价指标
    2.5 本章小结
第三章 基于图和多特征传播的图像显著性检测
    3.1 引言
    3.2 算法思想
    3.3 显著图计算方法
        3.3.1 图的构建
        3.3.2 基于底层特征的显著图
        3.3.3 基于高层特征的显著图
        3.3.4 显著图融合
    3.4 算法步骤
    3.5 仿真结果与分析
        3.5.1 参数设置
        3.5.2 定性分析
        3.5.3 定量分析
    3.6 本章小结
第四章 稀疏重构和紧凑性结合的图像显著性检测
    4.1 引言
    4.2 算法思想
    4.3 显著图计算方法
        4.3.1 图像主结构提取
        4.3.2 提取背景模板
        4.3.3 稀疏重构
        4.3.4 紧凑性计算
        4.3.5 显著图融合
    4.4 算法步骤
    4.5 仿真结果与分析
        4.5.1 参数设置
        4.5.2 定性分析
        4.5.3 定量分析
    4.6 本章小结
第五章 融合静态和运动信息的视频显著性检测
    5.1 引言
    5.2 算法思想
    5.3 视频显著性计算方法
        5.3.1 基于静态信息的显著性计算
        5.3.2 基于运动信息的显著性计算
        5.3.3 显著图融合
        5.3.4 全局优化
    5.4 算法步骤
    5.5 仿真结果与分析
        5.5.1 参数设置
        5.5.2 定性分析
        5.5.3 定量分析
    5.6 本章小结
第六章 主要结论与展望
    6.1 主要结论
    6.2 展望
致谢
参考文献
附录 :作者在攻读硕士学位期间发表的论文


【参考文献】：
期刊论文
[1]基于非下采样轮廓小波变换增强的从粗到精的显著性检测[J]. 刘冬梅,常发亮.  光学学报. 2019(01)
[2]基于多图流形排序的图像显著性检测[J]. 于明,李博昭,于洋,刘依.  自动化学报. 2019(03)
[3]具有融合罚约束的低秩结构化稀疏表示目标跟踪算法[J]. 田丹,张国山,谢英红.  控制与决策. 2019(11)
[4]基于视觉显著性的海面舰船检测技术[J]. 丁鹏,张叶,贾平,常旭岭,刘让.  电子学报. 2018(01)
[5]一种前景和背景提取相结合的图像显著性检测[J]. 周强强,赵卫东,柳先辉,王志成.  计算机辅助设计与图形学学报. 2017(08)
[6]基于显著性区域检测和水平集的图像快速分割算法[J]. 叶锋,李婉茹,陈家祯,郑子华.  电子与信息学报. 2017(11)
[7]自适应阈值分割与局部背景线索结合的显著性检测[J]. 唐红梅,吴士婧,郭迎春,裴亚男.  电子与信息学报. 2017(07)
[8]基于自适应背景模板与空间先验的显著性物体检测方法[J]. 林华锋,李静,刘国栋,梁大川,李东民.  自动化学报. 2017(10)
[9]融合背景感知和颜色对比的显著性检测方法[J]. 刘峰,沈同圣,韩艳丽,马新星.  计算机辅助设计与图形学学报. 2016(10)



本文编号：3684077