论文部分内容阅读
人类的视觉选择注意机制具有高效的关注周围重点事物的能力,当人类面对这个包含浩瀚信息的世界时,扑面而来的是充斥着大量信息的各种场景。在获取过程中,人类并不是被动的接受所有的感官时间带来的信息,而是加以选择的去识别与分辨,并且只关注自己认为值得关注的某个片段,即感兴趣区域。
信息技术的迅速发展带给我们生活及工作上极大的便捷,但同时,各种图像信息日益膨胀又使我们加大了海量数据的分析与处理,由此,我们不得不借助计算机系统来处理和分析这些海量数据。但是需要要注意的是:首先,我们通常只是关注整个数据集合中的某一部分内容,而不是所有的数据;其次,图像数据的日益增长的速度是远远快于计算机的运算处理能力的提高的。目前,在视觉注意模型研究领域,从研究至今具有代表性的几个研究成果,其中最有先驱意义的模型是科赫(Koch)和厄尔曼(Ullman),另外还有目前—个具有代表性的视觉注意模型是Itti模型。该模型是模拟人类自底向上的视觉特性产生的。Itti模型这一模型是本文的基础模型,也是目前感兴趣区域检测技术发展道路上的一个里程碑模型,目前的工作很多都是针对这一模型进行扩展与研究。本文对其做了介绍与分析其数学模型并通过引入小波变换这一在在信号去噪、数值分析、图像压缩等领域取得广泛应用的技术对Itti模型中显著图生成方法进行了试探性的改进。
但同时Itti采用基于显著图模型的计算方法也存在着如下的问题:
1.检测出来的感兴趣区域的大小与感兴趣区域所出现的位置与人类的视觉感知分析的结果相比较而言并不准确。
2.关于将颜色、亮度、方向三种特征图都采用统一的线性相加的方法在处理方向显著图上多有不妥。
方向显著图在形成综合显著图的过程中是一个重要元素,并且方向特征图是构成方向显著图的重要成分。本文将小波变换引入Itti模型中方向特征图的处理上,有效的改善了第一个问题,并目将方向尺度特征图采用加权叠加的方法以更好的改进颜色、亮度、方向特征图采用统一的线性相加的处理方式上的本身差异性。
本实验过程将针对采样图像分别进行Itti模型与本文模型进行感兴趣区域检测,最终分别得到得到各个图像的基于颜色的显著图、基于方向的显著图、基于深度的显著图、基于颜色、方向、深度特征加权操作后得到的显著图和经过三代迭代后基于采用Winner-Take-All机制的显著图以及对样本图像的感兴趣区域的标注图。通过对比标注图得出本文的方法具有一定的优势性。证明了采用小波变换的思路来处理显著图的步骤是可行的。
与原有模型的相关方法来比较,本文的创新点在于:
1.采用Daubechies小波基函数的小波变换方法产生方向显著图。
2.对于得到的不同尺度的方向尺度特征图分别采用加权叠加的方法来生成不同方向的特征图。
本文的工作同时也存在一些尚未解决的难点:
1.本文生成的感兴趣区域标注范围很难与人类视觉机制的关注焦点达到完全的统一融合,不同的用户对于同一个采样图像所关注的焦点一定是不同的,对于不存在很明显的感兴趣区域等图像就更加的见仁见智了。
2.采用Daubechies小波基函数的小波变换在与炳模型的对比中并不能达到“完胜”的境界。这里的原因可能是多种多样的,要获得具体的改进还需要进—步去跟踪与测试。