论文部分内容阅读
随着互联网技术的飞速发展,图像采集设备如数码相机和智能手机等的广泛普及,每天都会有海量的图像数据产生,在这些数据中掺杂着大量冗余信息。人们在观测这些图像数据时会首先注意图像中感兴趣的区域,进而对其进行优先处理。显著性检测就是利用计算机技术模仿人类的视觉注意机制,自动提取图像中显著区域,这不仅可以大大压缩计算机待处理的数据,节约计算机的存储空间,同时可以提高计算效率。目前显著性检测方法已获得许多成果,但更多仅适用于单图检测,不适用于多图协同显著性检测。多图协同显著性目标检测一般应用于从多幅图像或多个视频中,寻找相同或相似的显著性目标,其强调显著性和协同性。本文在研究已有工作基础上,提出了两种协同显著性目标检测算法:基于多聚类的协同显著性目标检测算法、基于多特征融合多示例学习的显著性目标检测算法。观察发现,当图像场景简单时,选用较少的聚类数目就可以有较准确的聚类结果;而当图像场景复杂时,选用较多的聚类数目才会有准确聚类结果,为了能对不同场景实现自主选择更准确的聚类数目,本文提出了基于多聚类的协同显著性目标检测算法。该算法将多聚类数目下生成的协同显著性结果进行不同权重的融合,即对每一场景图像执行多个聚类数目下的聚类,再在每一聚类数目下计算该聚类数目对应的置信度,置信度越高,则在最后融合过程中赋予越大的权值。另外,本文提出了基于多特征融合多示例学习的显著性目标检测算法。该算法考虑到不同特征检测出的结果对于不同场景图像的贡献度不同,因此构建了如下算法步骤:首先提取示例构建正负包,提取所有包的颜色、纹理、对比度、VGG16特征,分别进行多示例学习,测试出的多个结果由低秩分解重构误差计算出的权重进行融合,再分别经图内的协同显著值排序扩散和组内的类间协同显著值传播,生成最终的结果图。两种算法皆采用了初始显著图,来源于现有的显著性检测算法。实验部分,本文将这两种算法应用于现有显著性检测算法的后处理,并对性能的提升与否做了定性和定量的评判,同时在两个公开的协同显著性检测数据库上与其他算法进行了对比。