论文部分内容阅读
显著性目标检测旨在快速地辨别出一幅自然图像中包含有用信息的显著性部分,为其相关应用做了很好的铺垫。近年来随着计算机视觉的发展,显著性检测作为一个分支在其中发挥着越来越重要的作用。显著性检测被广泛的应用到图像重定位、图像自动裁剪、图像压缩和目标识别等具体应用中,同时各种应用也反过来促进了显著性目标检测理论的发展和完善。基于稀疏表示的显著性检测是显著性目标检测的一类重要方法,它假定图像的背景部分可以被背景字典稀疏表示且表示残差很小,而显著性部分用背景字典来表示时稀疏残差则比较大。基于这样的假定,以背景部分的特征作为稀疏表示字典来表示整个图像,稀疏表示残差被用来作为图像显著性的度量最终得到图像的显著性图。基于图像显著性图的缝切割图像缩放方法是显著性目标检测方法的一个最有价值的应用,缝切割方法根据显著性图选取一些显著性比较低的缝,切割掉选中的缝进而使得图像达到缩放的效果。本文首先具体给出了缝切割技术对显著性图的要求,然后基于此要求,提出了两种图像显著性检测方法,分别利用稀疏表示和小波分解来检测图像中的显著性目标,生成为缝切割而设计的显著性图。和通常的单高斯假定不同,本文基于稀疏表示的显著性检测中,假定图像的显著性先验服从多高斯分布。选中显著性先验较低的部分作为背景,以背景颜色特征作为字典对整个图像进行稀疏表示。以稀疏表示残差作为显著性度量生成显著性图,融合图像中的斜边显著性图得到针对于缝切割方法的显著性图。本文同时还提出了一种图像显著性轮廓检测方法,利用小波分解,结合局部、非局部轮廓信息的刻画检测出图像中的显著性轮廓,利用显著性轮廓保护显著性目标,使得在进行缝切割时显著性目标物能被完好的保留,缩放后的图像更自然。将上述显著性图应用到seam-carving中进行图像缩放,大量实验结果显示本文给出的方法是缝切割技术和显著性目标检测的一个成功的融合,很好的解决了缝切割方法中扭曲和错位等问题。