论文部分内容阅读
随着互联网的发展以及图像数据的迅速增长,人们希望计算机能够像人类视觉系统一样快速准确地处理这些图像数据,并从图像中选取有效信息。基于上述需求,视觉显著性检测模型研究应运而生。视觉显著性检测模型是通过数学模型模拟和仿真人类视觉系统的初级阶段,其能够快速而有效地处理图像数据,迅速从图像中提取显著性区域,获得有效信息。视觉显著性检测技术在图像处理等领域有着广泛的应用,可以为图像分割、图像检索以及内容感知的图像编辑等应用提供有效的参考信息;能够为核心区域定位、感兴趣区域提取等应用抽象出可靠的数据;有利于缓解图像底层特征与图像内容理解之间的隔阂。因此,深入研究视觉显著性检测技术具有十分重要的意义。本文在阅读了大量中英文文献的基础上,分析了现有视觉显著性检测模型的不足,结合人类视觉系统的机理,从视觉特征选取以及视觉特征融合这两个角度出发,提出了两种新的视觉显著性检测方法,并实现了在核心区域定位以及感兴趣区域提取等方面的应用。本文的主要研究内容与创新点如下:(1)本文详细阐述了视觉显著性检测模型的发展现状,对视觉特征、显著性检测原理以及检测标准等方面进行了梳理与总结,对现有显著性检测模型进行了深入地研究,分析了这些模型的优缺点,总结已有模型中存在的不足,为视觉显著性检测方法的进一步研究打下了良好的基础。(2)本文从视觉特征选取的角度出发,提出了一种中心聚焦全局对比的视觉显著检测方法。该方法结合了Gestalt原理与对比度原理。对比原理体现了显著区域全局颜色稀缺的特点;Gestalt原理体现了显著区域空间分布紧凑的特点。该方法首先计算图像的颜色全局对比特征图,然后计算图像的中心聚焦特征图,最后将颜色全局对比特征图和中心聚焦特征图进行线性融合得到最终的显著图。在公共测试数据集上对该方法进行的仿真实验,实验结果表明该方法的有效性。(3)本文针对中心聚焦全局对比显著性检测算法中存在视觉特征少以及参数融合方法的不足,提出了一种基于多特征融合的视觉显著性检测方法。该方法首先利用SLIC方法分割输入图像,其次以超像素为单位提取10维视觉特征,然后通过BP神经网络学习视觉特征与视觉显著性之间的关系,利用多种视觉特征通过训练后BP神经网络来预估超像素中显著性像素所占比例,最后通过比例值判别显著性区域,生成最终的显著图。将本文所提出的基于多特征融合的视觉显著性检测方法在公共数据库进行实验,并将其与现有的显著性检测算法进行对比。实验结果表明,该方法在主观视觉与定量指标上均优于相比较的15种显著性检测方法。与中心聚焦全局对比的视觉显著性检测算法相比,本文提出的基于多特征融合的视觉显著性检测方法能够更好地适应视觉显著性评估问题。(4)本文将提出的视觉显著性检测方法应用于核心区域定位、感兴趣目标提取等领域,并且应用效果展现了CF与BN视觉显著性检测方法的通用性与实用性。