顯著性區(qū)域檢測算法研究

《顯著性區(qū)域檢測算法研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、、．＾＇．＇＇產(chǎn)，－‘．＇心－．＜、＾．心｜，．；＾批ｃ＾；＾＾：．：，，好＾＾。＇．‘？．．－‘．：、Ｖ－?。觯桑?、＇冰聲：兵氣．＾―‘：－＂．參瓣．占每．．巧乂■＾巧璋＾分類號ＴＰＷ密級‘ｌ．；濃．＿＿＿＿＿＿＿＿ＵＤＣ期譯＿學(xué)號．．６？成令；、禱？這：－張．－子Ｖ哪，Ｖ節(jié)Ｓ＾々誇一穿這鍵輸雜論＾０：豕巧矣．六―一一＇Ｖ，帝鄭吊巧碩±學(xué)位論艾ｆＩｔ獲ｅｓ’Ｍ／ＴｈｉｓｆｂｒＭａｓｔｅｒｓＤｅｇｒｅｅ＇嗦％－——’＇一＇‘．Ｖｉ．峽一＇＇

2、．＇＾＇－＾．－－如＞＊＇＾－、．心＇；、‘巧．羅，；皆．－管；著論文題旨顯著性區(qū)域檢測算法研究錢，—等—Ｃ—．巧起心：／ＶＶ采蘇爲(wèi)記汽Ｔ安Ｃ．？申請學(xué)位類別工程碩±Ｖ：巧，＇，再讀專．業(yè)名稱：讓皇貍整述■—＿＿Ｖ冨囉蓉；編硏究生姓名—互？－＾－：：Ｓ；ｉ＂．Ｎ＾Ａ職稱羅會蘭教授：鴻：：／當(dāng)導(dǎo)師姓名、：，．；ｖ＇。＇＇．中．．？－與畝；ｖＶ秦噫耀難。－六年六月療分類號：：ＴＰ３９１密級ＵＤＣ：學(xué)號：６７２０１３０３９９碩±學(xué)位論文顯著性區(qū)域檢測算法研巧Ｒｉｄｃｏ

3、ｎａｏｒｍｅｓｅａｒｃｈｏｎｓａｌｅｎｔｒｅｉｏｎｅｔｅｔｉｌｉｔｈｇｇ工程碩±學(xué)位類別；作者姓名：萬成濤；計(jì)算機(jī)技術(shù)學(xué)科、專業(yè)研究方；圖像處理與模式識別向會蘭教授：羅指導(dǎo)教師口ｆ占ｖ年：月曰５？江西理工大學(xué)碩士學(xué)位論文摘要顯著性區(qū)域檢測旨在找尋圖片中存在的最顯著目標(biāo)區(qū)域。觀察一幅圖片時(shí)，特異的目標(biāo)對象往往能立即引起我們的注意。在對圖像場景信息進(jìn)行處理時(shí)，可以通過顯著性區(qū)域檢測獲取優(yōu)先處理對象區(qū)域，以便于合理分配計(jì)算資源，降低計(jì)算量。因此，檢測圖像顯著性區(qū)域具有較高的應(yīng)用價(jià)值。一般來說，顯著性區(qū)域檢測分為自上而下

4、和自下而上兩種類型的方法。自上而下的方法是任務(wù)驅(qū)動型，需要利用高水平信息來進(jìn)行監(jiān)督性訓(xùn)練學(xué)習(xí)。這種方法存在復(fù)雜的跨越學(xué)科問題，因?yàn)樗芸赡苄枰Y(jié)合神經(jīng)學(xué)、生理學(xué)以及其它相關(guān)學(xué)科領(lǐng)域的知識。而自下而上的方法是數(shù)據(jù)驅(qū)動型，主要利用諸如顏色對比度及空間布局特征等底層信息來獲取顯著性目標(biāo)區(qū)域。這種方法操作簡單快速，近年來的相關(guān)研究顯示這種類型的顯著檢測方法具有很好的效果，已廣泛應(yīng)用于圖像分割、目標(biāo)識別、視覺跟蹤等領(lǐng)域。本文致力于對自下而上型顯著性區(qū)域檢測方法的探索研究，利用底層線索諸如顏色對比度以及空間布局特征等來檢測顯著性目標(biāo)區(qū)域。本文共提出兩種顯著性區(qū)域檢測算法，其中

5、一種為基于KL散度及多尺度融合的顯著性區(qū)域檢測算法，簡稱KLMS；另一種為基于多尺度區(qū)域融合的顯著性區(qū)域檢測算法，簡稱SRM。在一些大型參考數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)表明，本文提出的兩種算法優(yōu)于當(dāng)前一些先進(jìn)算法，具有較高顯著檢測精確度和召回率，并且可以產(chǎn)生平滑顯著圖。本文主要研究工作包括：1.為解決單純用平均顏色差值度量各超像素間顏色差異的局限性，算法KLMS采用SLICO算法分隔圖像為超像素單元，依據(jù)顏色判別力聚類量化超像素顏色，統(tǒng)計(jì)顏色聚類標(biāo)簽的概率分布，并采用超像素內(nèi)部顏色概率分布間的KL散度的調(diào)和平均值對超像素間的顏色差異性進(jìn)行更有效的度量。為降低單尺度顯著檢測易產(chǎn)

6、生的顯著區(qū)域誤判幾率，算法KLMS多尺度分割圖像，在經(jīng)過鄰接擴(kuò)展及KL散度調(diào)和平均值加權(quán)的無向閉環(huán)連通圖上，同時(shí)結(jié)合區(qū)域?qū)Ρ榷燃斑吔邕B通性先驗(yàn)知識計(jì)算多幅顯著圖，并進(jìn)行集成融合處理獲得最終的顯著圖。2.為更好地呈現(xiàn)初始圖像的層次信息，算法SRM基于區(qū)域鄰接圖，通過鄰接融合及全局融合方式產(chǎn)生多尺度區(qū)域融合圖。為得到最優(yōu)的顯著圖，SRM算法采用元胞自動機(jī)優(yōu)化初始顯著圖，并依據(jù)多尺度的背景概率值設(shè)定置信度矩陣，進(jìn)一步改善元胞自動機(jī)的優(yōu)化效果。關(guān)鍵詞：顯著性區(qū)域檢測；KL散度；區(qū)域鄰接圖；多尺度區(qū)域融合IAbstractAbstractSalientregiondetec

7、tionaimsatfindingthemostdistinctiveobjectregionsinanimage.Whenwelookatanimage,distinctiveobjectscaninstantlyattractourattention.Wecangetpriortargetregionsthroughsalientregiondetection,soastoallocatethecomputingresourcesinamorereasonablewayandreducethecomputingconsumptionwhenweprocesst

8、heinf