多幅图像协同显著性检测

发布时间：2017-09-29 11:30

  本文关键词：多幅图像协同显著性检测

  更多相关文章： 协同显著性 截断幂 特征提取 K-Means 自适应权值 协同定位

【摘要】：近年来,显著性检测已经在国内外相关领域研究中得到了广泛关注,并取得了许多成果,但是已有的研究往往注重单幅图像与单视频的处理。伴随互联网等技术的飞速发展,从多幅图像或多视频中,寻找相同或相似的显著性目标的协同显著性检测技术已逐渐成为一种新的应用需求。目前,在多幅图像协同显著性检测相关的协同分割、协同定位、目标检测等应用领域已有了较广泛深入的研究,并引起了广泛关注。相比单幅图像显著性检测而言,多幅图像协同显著性检测亟需解决的关键问题是如何快速有效地检测出多幅图像中的协同显著性目标。为了建立一种快速有效的多幅图像协同显著性检测方法,本文提出了基于图像分块与截断幂的特征提取的预处理方法以及基于K-Means与自适应协同显著图生成的协同显著性检测方法。首先,采用一种基于图像分块与截断幂的特征提取方法对输入图像进行特征提取,实现在最大程度保留原图像特征的同时有效减少特征点的数量与特征的个数。然后,使用K-Means聚类算法对提取的稀疏特征进行聚类,同时计算出三种基于聚类的显著性特征值并生成相应的特征显著图。并且进一步提出基于图像内容的自适应权值协同显著图生成方法以提高协同显著性检测的效果。通过在两个标准数据集上进行仿真实验并与已有典型多幅图像协同显著性检测方法相比较可知,本文方法在提高检测精度的同时,可大幅提升多幅图像协同显著性检测的处理效率。最后,将上述方法应用到具有噪声图像的多幅图像协同定位中,通过多幅图像协同显著性检测来过滤噪声图像以降低具有噪声图像的协同定位方法的复杂性,并在Visual Studio平台下结合Open CV库实现了基于协同显著性检测的具有噪声图像的协同定位系统。
【关键词】：协同显著性 截断幂 特征提取 K-Means 自适应权值 协同定位
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-5
• ABSTRACT5-11
• 缩略词11-12
• 第一章 绪论12-18
• 1.1 选题背景与意义12
• 1.2 国内外研究现状及存在问题12-15
• 1.2.1 国内外研究现状分析13-14
• 1.2.2 目前研究存在的问题14-15
• 1.3 论文研究内容及章节安排15-18
• 第二章 相关知识18-28
• 2.1 引言18
• 2.2 特征提取方法18-23
• 2.2.1 线性判别分析18-19
• 2.2.2 局部保持映射19-20
• 2.2.3 独立成分分析20
• 2.2.4 主成分分析20-21
• 2.2.5 稀疏主成分分析21-23
• 2.3 聚类算法23-27
• 2.3.1 基于划分的聚类算法24-25
• 2.3.2 基于层次的聚类算法25-26
• 2.3.3 基于密度的聚类算法26
• 2.3.4 基于网格的聚类算法26-27
• 2.3.5 基于模型的聚类算法27
• 2.4 本章小结27-28
• 第三章 基于图像分块与截断幂的特征提取28-35
• 3.1 引言28
• 3.2 图像分块与图像块底层颜色特征提取28-30
• 3.3 基于截断幂的稀疏特征提取30-31
• 3.4 实验结果与分析31-34
• 3.4.1 几种典型的稀疏主成分分析方法的性能比较31-32
• 3.4.2 稀疏处理参数的确定32-34
• 3.5 本章小结34-35
• 第四章 基于K-Means与自适应权值的多幅图像协同显著性检测35-56
• 4.1 引言35
• 4.2 K-Means聚类算法初始簇中心的确定35-36
• 4.3 基于聚类的显著性特征计算36-39
• 4.3.1 对比特征36-37
• 4.3.2 空间特征37-38
• 4.3.3 全局分布特征38-39
• 4.4 基于自适应权值的协同显著图生成39-44
• 4.4.1 自适应阈值分割40-41
• 4.4.2 基于图像内容的自适应权值计算41-44
• 4.5 实验结果与分析44-54
• 4.5.1 数据集和评价标准45-47
• 4.5.2 多幅图像协同显著性检测效果对比47-50
• 4.5.3 多幅图像协同显著性检测效率对比50-51
• 4.5.4 多幅图像协同显著性检测的应用51-54
• 4.6 本章小结54-56
• 第五章 具有噪声图像的协同定位系统的设计与实现56-67
• 5.1 引言56
• 5.2 系统框架56
• 5.3 主要功能模块的设计56-60
• 5.3.1 多幅图像协同显著性检测模块56-58
• 5.3.2 候选目标判别模块58-60
• 5.4 系统实现60-66
• 5.4.1 系统开发环境60-61
• 5.4.2 系统主要实现技术方法61
• 5.4.3 系统展示61-66
• 5.5 本章小结66-67
• 第六章 总结与展望67-69
• 6.1 总结67
• 6.2 展望67-69
• 参考文献69-75
• 致谢75-76
• 在学期间的研究成果及发表的学术论文76

【相似文献】

中国期刊全文数据库 前10条

1 马少华,高峰,李敏,吴成东;神经网络分类器的特征提取和优选[J];基础自动化;2000年06期

2 管聪慧,宣国荣;多类问题中的特征提取[J];计算机工程;2002年01期

3 胡威;李建华;陈波;;入侵检测建模过程中特征提取最优化评估[J];计算机工程;2006年12期

4 朱玉莲;陈松灿;赵国安;;推广的矩阵模式特征提取方法及其在人脸识别中的应用[J];小型微型计算机系统;2007年04期

5 赵振勇;王保华;王力;崔磊;;人脸图像的特征提取[J];计算机技术与发展;2007年05期

6 冯海亮;王丽;李见为;;一种新的用于人脸识别的特征提取方法[J];计算机科学;2009年06期

7 朱笑荣;杨德运;;基于入侵检测的特征提取方法[J];计算机应用与软件;2010年06期

8 王菲;白洁;;一种基于非线性特征提取的被动声纳目标识别方法研究[J];软件导刊;2010年05期

9 陈伟;瞿晓;葛丁飞;;主观引导特征提取法在光谱识别中的应用[J];科技通报;2011年04期

10 王华,李介谷;人脸斜视图象的特征提取与恢复[J];上海交通大学学报;1997年01期

中国重要会议论文全文数据库 前10条

1 尚修刚;蒋慰孙;;模糊特征提取新算法[A];1997中国控制与决策学术年会论文集[C];1997年

2 潘荣江;孟祥旭;杨承磊;王锐;;旋转体的几何特征提取方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

3 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 杜栓平;曹正良;;时间—频率域特征提取及其应用[A];2005年全国水声学学术会议论文集[C];2005年

5 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

6 魏明果;;方言比较的特征提取与矩阵分析[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

7 林土胜;赖声礼;;视网膜血管特征提取的拆支跟踪法[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 秦建玲;李军;;基于核的主成分分析的特征提取方法与样本筛选[A];2005年中国机械工程学会年会论文集[C];2005年

9 刘红;陈光，

本文编号：941756