论文部分内容阅读
视觉注意指的是人在面对复杂场景时,将注意力迅速集中在少数感兴趣的区域,然后用有限的资源对其进行优先处理的一种能力。视觉注意模型的研究,不仅有助于了解人类视觉信息处理的工作原理,而且对于解决数据筛选问题和提高计算机的信息处理效率有着重要的意义,在图像分析与图像理解领域、目标检测、信息检索、机器人视觉等领域也有着重要的应用价值。目前自底向上的视觉注意模型主要有空间域模型和频率域模型两大类。空间域的模型具有生物学合理性,但其计算复杂度高。频率域模型运算速度较快,但缺乏生物学依据。我们在研究现有模型的基础上提出基于结构复杂度特征融合的视觉注意模型,并用哈尔特征代替计算量大的高斯差特征进行了优化,大大提升了模型的运行速度。进一步地,我们将提出的视觉注意模型应用于图像目标的分割。论文的主要贡献包括以下几个方面:1.提出了一个基于结构复杂度特征融合的视觉注意模型。为了更好地近似人的视觉,首先将图像从物理颜色空间RGB转换到感知颜色空间LAB。然后对于每一个颜色通道,采用高斯差滤波器提取出图像的多尺度特征。最后,将所有尺度上的特征图根据各自的结构复杂度融合为最终的显著图。实验表明,该模型总体上优于当前的六种典型算法,并且与心理学实验结果有较好的一致性。2.针对所提出模型计算复杂度高的问题,提出了一种基于哈尔特征及结构复杂度特征融合的视觉注意模型快速算法。首先用积分图快速计算出图像的多尺度哈尔特征,然后将所有尺度上的特征图根据各自的结构复杂度融合为最终的显著图。实验表明,在几乎不影响模型性能的前提下,哈尔特征能大大提升模型的运行速度。3.提出将视觉注意模型与图像分割算法Graph Cut相结合,使之能自动分割出图中显著物体的技术。首先用视觉注意模型获取输入图像的显著图并进行二值化处理,得到显著目标的种子区域。然后用Graph Cut算法进行多次迭代分割,对目标种子区域进行增长,从而将图中的显著物体完整分割出来。实验表明,与其它三种现有典型模型相比,我们提出的模型能更有效地提供目标的种子区域,从而获得较好的分割效果。