论文部分内容阅读
近年来,图像和视频数据迅猛积累,特别是现在网络越来越发达,对图像和视频等视觉数据的应用需求迅速增长。人们越来越倾向于从图像和视频数据中获取信息。但是现在视觉计算模型跟不上需求的发展。人们希望机器能够像人一样快速而准确地处理这些数据,并迅速得到想要的信息,基于这个远大而美好的目的,视觉显著性的计算模型研究应运而生。视觉显著性是人类视觉系统用于指引注意力分配和视觉认知过程的生理机制。视觉显著性计算模型的研究正是通过数学模型模拟和仿真人类视觉机理,从而能够快速而有效的处理视觉数据,是解决现在计算视觉中许多难题的途径之一。在计算视觉领域,视觉显著性计算模型的研究逐渐成为研究热点。本论文在已有的国内外显著性计算模型的研究成果基础上,分析了已有模型存在的不足,并结合存在的视觉机理,提出了几种新颖的视觉显著性建模方法和表示方法,并将这些算法成功的应用于一些视觉应用中,与以往的计算模型相比较得到了较好的结果。本论文的主要研究内容和创新点如下:(1)回顾视觉显著性的发展历程,充分调研已有的显著性计算模型,分析一些经典的模型框架和近年来的研究成果,系统地阐述视觉显著性的建模技术,并总结已有模型的不足,得到视觉显著性计算模型改进和进一步研究的方法和思路。(2)基于已知的视觉机理,提出一种目标边缘的显著性建模方法。该模型可以利用视觉中的环境抑制效应和空间增强效应对不同属性边缘赋予不同的显著度。模型通过环境抑制效应可以有效的抑制背景边缘噪声和目标内部的纹理边缘,利用空间增强效应发掘出目标的结构信息,并连接潜在的结构性边缘得到目标的重要轮廓信息;最后结合边缘属性模型统计边缘的Gabor能量,得到边缘的显著性表示,从而达到突出目标的重要边缘(如轮廓、重要的纹理边缘等),而弱化背景中的纹理杂乱边缘的效果。利用边缘显著图,通过简单的自适应阈值分割就可以得到目标的边界信息。通过实验比较,与已有的显著性边缘检测算法比较有明显的改进;虽然与基于学习模型的边界检测方法比较效果相当,但是计算复杂度上要简单。(3)针对现有的显著性表示方法的不足,本文提出了一种包含目标区域信息的视觉显著性建模方法,能够更加全面的表示视觉显著性。该方法利用显著性目标的位置和目标区域信息相结合的方式描述视觉显著性,而有别于传统的基于目标位置的描述方法。算法首先在已有的显著性模型的基础上建立显著性目标的初始位置信息:通过对目标周围的区域进行分析,进一步优化目标位置,并得到目标的区域信息;最后通过优化后的目标位置信息和区域信息共同描述场景的显著性。与已有的表示方法比较,基于目标区域信息的算法对图像显著图的优化有显著的效果;且结合目标区域信息后,该模型能够仿真视觉观察的全过程,可以更准确的检测出复杂场景中的显著性目标。(4)提出了一种基于超级像素的视觉显著性建模方法,并将其应用于显著性目标分割。利用人类视觉系统对视觉信号模糊处理特性,使用超级像素当作视觉处理单元,提取每个超级像素区域的颜色和纹理特征,建立比较统计模型,得到全局的显著图。该模型通过对区域的显著性整体表达,从而避免了视觉显著性模型中常常出现的区域显著性表达不一致的问题。实验表明,较之已有的视觉显著性模型,本文的算法在场景中显著性表达上有显著的提高,并在视觉显著性目标分割应用中有更好的效果。(5)利用视觉显著性的特点和计算优势,提出了一种基于视觉显著性模型的遥感图像中弱小目标快速检测算法。该算法融合空域残余模型和频率域调制模型,有效地屏蔽背景,检测出感兴趣区域;再通过动态背景建模对感兴趣区域进行自动分割,利用目标的形态学特征去除虚警,得到目标区域。实验结果表明该算法在时间上较之经典的视觉显著性模型有很大的改进,并能够提高检测率,降低虚警率。