基于无监督学习的显著性物体检测

发布时间：2021-01-11 20:03

　　人类视觉注意力机制一直都是研究的热点,其中一个重要的分支就是显著性检测。研究场景中的显著性区域或物体检测,一方面有助于理解人脑和视觉系统中的注意力机制,另一方面可以让计算机快速地从复杂场景中提取关键信息,以辅助后续更高层次的视觉任务。现有的无监督显著性物体检测方法一般是从图像等视觉输入中提取像素点或者是图像块的特征,如对比度信息、边界连接性等来估计每个像素点的显著性。虽然这些方法效率较高,也不需要人工标记的像素级标签,但分割得到的显著性物体不够完整。此外,由于大多数方法对单一信息源或者先验过分依赖,它们在复杂场景下检测显著性物体的结果并不理想。针对以上问题,本文提出紧密度扩散模型,将显著的前景区域和冗余的背景区域看作两个独立的部分分别检测,最后再进行融合。通过构建全局图,本文提出基于图像统计特性的度量方式——紧密度,用于检测图像中的显著性区域。通过构建局部图,将检测到的紧密区域作为种子输入到二次能量模型中进行扩散,最终检测到连贯、分布均匀的显著性物体。该模型综合利用前景信息和背景信息检测图像中的显著性区域,有效地改善了只依赖于单个信息源造成的检测不完整、不均匀,或是包含背景区域的问题。... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

基于内容的图像尺寸调整示例

图 1-2 显著性物体示意图广义显著性检测包含三个分支，视觉注意力建模（Visual Attention ModelM），显著性物体检测（Salient Object Detection: SOD）和显著性物体分割（Saject Segmentation: SOS）。VAM 是从人的注意力机制出发，对人眼凝视点进行建望通过探索人的视觉系统来实现机器视觉，更多地是从仿生角度研究显著性检普通的物体检测问题[4-6]类似，显著性物体检测（SOD）一般是用矩形框表示检的显著性物体[7]。两者的区别在于，当场景中包含多个物体时，普通的物体检会检测出尽可能多的物体，而显著性物体检测则是检测出最突出的一个或多个[8-10]。显著性物体分割（SOS）是像素级的显著性物体检测，因此比前面两类检测问题更加精细。作为一个研究热点，在现在的很多论文[15-18]中，这一类问题被简称为显著性检测（Saliency Detection）。2 显著性物体检测研究现状当前的显著性检测方法大致可以分为无监督方法和有监督方法，无监督方法

大多数基于对比度或利用对比度的显著性检测方法[23-25]效率都较高，但它们仅利用了对比度等前景信息，或是仅利用了边界连接性等背景信息，使得检测到的显著性物体不完整或者包含部分背景区域，如图 1-1 所示。一些频域检测方法[26-28]效率也比较高，但由于不同图像中的显著性物体尺寸变化较大，难以找到合适于所有图像的变换尺度，因此检测到的显著性区域可能只包含了显著性物体的边缘。针对这些问题，本文在第三章中提出了新的度量方式，综合利用前景信息和背景信息，并设计扩散模型得到均匀的显著性检测结果。此外，从图 1-1 中还可以看出，真实图像的背景可能比较复杂或者图像中包含多个物体，现有的无监督方法很难取得稳定的检测效果。基于低秩矩阵分解的方法[29-31]在检测性能上有所提升，但它们忽略了分解得到的稀疏矩阵中元素之间的空间关系，使得检测到的显著性物体不够完整。针对这些问题，本文在第四章中提出了基于低秩矩阵分解的递进式显著性检测模型，设计包含 Laplacian 约束的低秩矩阵分解模型生成粗略的显著性图，然后通过利用图像区域之间的空间连接关系，学习图像区域特征到显著性值之间的投影矩阵，以生成更准确的显著性图。

【参考文献】：
期刊论文
[1]融合对比度和分布性的图像显著性区域检测[J]. 张颖颖,张帅,张萍,卢成.  光学精密工程. 2014(04)
[2]基于Local特征和Regional特征的图像显著性检测[J]. 郭迎春,袁浩杰,吴鹏.  自动化学报. 2013(08)
[3]谱聚类算法综述[J]. 蔡晓妍,戴冠中,杨黎斌.  计算机科学. 2008(07)



本文编号：2971393