基于像素级与区域级融合的显著性检测研究

发布时间：2024-04-20 03:35

　　图像显著性检测是图像处理重要的预处理步骤,近年来,各种检测模型应运而生。传统检测模型,大多依赖于对比度和先验知识,其有限的计算能力会影响显著结果,尤其是对低对比度和环境复杂的图像,通常会检测失败。深度检测模型,由于其局部感知和参数共享的特性以及强大的特征提取和学习能力,可以取得更好的结果,但也存在检测结果粗糙和重要信息损失等问题。鉴于此,本文从像素级深度网络出发,分别采用区域级的传统算法以及区域级的损失和优化网络的方式来细化检测结果和弥补信息损失,从而提高检测精度。主要工作和贡献如下:(1)针对低对比度和复杂环境的图像,提出一种多层元胞自动机框架下,融合全局与局部信息的显著性检测模型。首先,采用基于卷积神经网络的编解码网络有监督地迭代训练,以提取图像全局特征,编解码结构采用VGG-16及其对称网络,用于特征的提取和重构;然后,用像素级全局特征指导超像素特征编码,针对全局显著图,通过自适应阈值产生前景和背景码本,采用局部约束线性编码算法分别对两种码本编码,融合产生具有局部细节信息的局部显著图;最后,通过多层元胞自动机框架,利用其贝叶斯理论稳定的后验概率,将提取到的全局与局部显著图融合,以...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 论文的主要工作
        1.3.1 论文研究内容
        1.3.2 论文结构安排
第二章 相关理论介绍
    2.1 特征编码模型
    2.2 贝叶斯融合框架
    2.3 卷积神经网络
        2.3.1 VGG
        2.3.2 ResNet
        2.3.3 U-Net
    2.4 反卷积神经网络
    2.5 评价指标
    2.6 本章小结
第三章 基于全局与局部信息融合的显著性检测
    3.1 引言
    3.2 基于全局与局部信息融合的显著性检测
        3.2.1 全局显著性检测
        3.2.2 局部显著性检测
        3.2.3 多层元胞自动机
    3.3 实验结果与分析
        3.3.1 实验设置
        3.3.2 定性分析
        3.3.3 定量分析
        3.3.4 实际应用
    3.4 本章小结
第四章 基于U-Res-Net与自适应亲和损失的显著性检测
    4.1 引言
    4.2 基于U-Res-Net与自适应亲和损失的显著性检测
        4.2.1 U-Res-Net网络框架
        4.2.2 残差网络
        4.2.3 损失函数
    4.3 实验结果与分析
        4.3.1 实验设置
        4.3.2 定性分析
        4.3.3 定量分析
        4.3.4 实际应用
    4.4 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
攻读硕士学位期间的科研成果



本文编号：3958815