基于协同显著性的目标检测方法研究

发布时间：2023-03-19 08:53

　　随着互联网技术和数字多媒体技术的快速发展,每天都会产生海量的图像数据,由于人类的视觉系统具有快速定位图像中显著性目标的能力,进而对图像中的感兴趣区域进行快速处理。显著性目标检测就是模仿人类视觉系统的工作机制,对图像中的显著区域进行迅速定位,并作为后续高级任务的预处理步骤。因此,研究显著性目标检测受到越来越多研究学者的关注。针对于目前显著性目标检测方法存在的局限和不足,本文通过融合不同检测原理的弱显著性检测方法,得到对图像显著性目标的强估计,检测结果更准确而且适用性更好。本文的主要内容及贡献如下:1、提出了一种基于协同显著性的单图像显著性目标检测算法。首先对待检测图像进行超像素分割,并用多种弱显著性检测算法对待检测图像进行显著性检测,获得多幅显著性检测图;然后根据多幅弱显著性图和超像素分割结果获取超像素块的特征矩阵,进而通过能量函数得到每个超像素块的显著性值;最后通过超像素块显著性值和阈值比较选取种子点,根据待检测图像像素点之间的关系建立权重矩阵,并构建游走方程,在种子点游走后得到其它非种子点的显著性值,获得最终的显著性结果图。实验表明,该方法能够更准确地检测出图像中的显著性目标,而且在...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景与意义
    1.2 研究现状
        1.2.1 视觉显著性的研究现状
        1.2.2 显著性目标检测的研究现状
        1.2.3 协同显著性目标检测的研究现状
    1.3 本论文的主要工作和章节安排
第二章 显著性目标检测的理论知识
    2.1 图像显著性特征
    2.2 显著性计算原理
    2.3 典型的图像显著性检测算法
        2.3.1 ITTI算法
        2.3.2 SR算法
        2.3.3 MSSS算法
        2.3.4 基于上下文的检测算法
        2.3.5 基于背景先验的检测算法
    2.4 本章小结
第三章 基于协同显著性的单图像显著性目标检测
    3.1 引言
    3.2 整体算法框架介绍
    3.3 超像素分割
    3.4 能量函数
    3.5 随机游走
    3.6 测试数据集与评估指标
        3.6.1 常用的测试数据集
        3.6.2 常用的评估指标
    3.7 实验和结果分析
    3.8 本章小结
第四章 基于协同显著性的多图像共显著性目标检测
    4.1 引言
    4.2 整体算法框架介绍
    4.3 图像间K-means聚类
    4.4 计算3种图像间线索
    4.5 初始显著性图加权优化
    4.6 测试数据集与评估指标
        4.6.1 常用的测试数据集
        4.6.2 常用的评估指标
    4.7 算法测试与分析
    4.8 本章小结
第五章 总结和展望
    5.1 本文工作总结
    5.2 研究展望
参考文献
致谢
作者简介



本文编号：3764957