论文部分内容阅读
图像是人类感知世界的视觉基础,是人类获取信息、表达信息和传递信息的重要媒介。随着当前图像获取技术的发展,人们通过各种图像采集设备方便快捷地获取大量的图像。如何从海量的图像信息中,快速有效地抽取有用的信息,成为计算机视觉领域的一个重要且急需解决的问题。人类视觉系统具有注意功能,使其能够快速地锁定关键区域,只选择进入视野的其中一部分信息用于后续更深层次的信息抽取与处理,从而获得高效的视觉感知。启发于人类视觉注意机制的显著性检测模型,可以为计算机系统实现快速高效地抽取有用的信息提供解决途径。基于视觉注意的认知理论以及生理模型,计算机领域的研究者提出了很多显著性检测模型。这些模型被广泛应用于计算机视觉、图像处理和机器人等领域。虽然这些模型取得了很不错的效果,但是其检测性能还不能跟人类视觉注意系统相媲美。视觉显著性检测仍然是一个极具挑战性的问题,还有很多问题尚未解决。 图像的稀疏性和背景先验可以为显著性检测提供重要的指导信息,被广泛应用于现有的显著性检测模型中。虽然此类模型取得了很不错的效果,但是仍然存在着一些亟待解决的问题。例如,在复杂场景中,存在只利用基于稀疏性的显著性度量很难将显著区域从背景抽取出来的问题;当显著物体以较大面积接触图像边框时,易导致模型失效或者性能下降等问题。本文正是针对上述问题展开模型和算法研究,主要工作与贡献如下: 1.针对图像稀疏性与独特性在显著性度量中的互补特性,基于认知心理学证据提出了构建显著性模型的关键四因素,并依此提出了基于图像稀疏性与独特性的显著性模型。该模型在显著值计算过程同时考虑了图像基于稀疏性和独特性的显著性度量,并采用了自适应的方法融合这两种显著性度量。该模型在不同场景下,都能获得较好的显著性检测性能,并提高了注视点预测精度。 2.针对现有的基于边框背景先验的模型,在显著物体以较大面积接触图像边框时,存在检测方法失效或者检测性能下降的问题,提出了基于图像边框对比度和正则化流形排序的显著性模型。该模型将图像区域与边框区域的对比度用作图像前景查询,在此基础上利用正则化流形排序的方法推断图像显著值,并采用基于边框连接度的前景置信度对显著值进行修正。该模型可以较好地应对显著物体以较大面积接触边框带来的问题,以及可以有效地抑制杂乱场景中的噪声干扰。 3.针对基于边框背景先验的显著性检测模型在利用图像区域与边框区域的拓扑关系推断显著值的过程,往往强调全局显著性,忽视局部显著性,从而导致可能错误地抑制显著物体区域的显著性或者错误地夸大背景区域的显著性的问题,提出了基于背景置信度并融合扩散过程的显著性模型。该模型利用边框连接度来度量图像区域的背景置信度,并依此计算图像基于颜色和空间的对比度的显著值,然后采用紧凑性扩散过程来增强模型对图像局部显著性的描述能力,并利用优化的方法对图像显著值赋值。该模型在检测过程中较好地兼顾了图像全局显著性和局部显著性,使其获得更好的检测性能。 本文提出的模型均与当前主流模型在基准数据集上进行对比实验,实验结果验证了本文提出的模型的有效性,以及表明本文提出的模型获得了优于或者相当于当前主流模型的检测效果。