论文部分内容阅读
在过去几年中,人们一直在探索人类的视觉注意力机制,并在这一领域作出了很多卓著的工作。其中的显著性检测是使机器视觉系统具有这样的能力,即自动地选择每个单个图像中的显著的区域。然而,随着现代科技快速发展,大规模的图像数据和互联网时代的到来使得人们的注意力从单一图像转移到图像组方面,对于科研人员来说随之而来的是一个新的研究领域,即协同显著性检测。作为视觉显著性一个新的分支,协同显著性检测是指从两个或多个相关图像中发现共同的显著的前景区域并将图像组中非协同显著的区域抑制。协同显著性检测广泛用于许多计算机视觉任务中,如图像协同分割、视频前景提取、图像检索和目标对象检测等研究领域。本文主要的工作有以下几点:1.首先提出一种基于全局构图和全局相似度显著传播的协同显著性检测方法。首先,利用SLIC超像素分割方法对一组图像进行超像素分割并进行图的局部图构造和全局图构造,通过局部图构造和全局图构造分别利用边界连通性,全局中心先验和全局紧凑先验知识并通过一个优化融合框架来获取初始显著图。再次,基于超像素和超像素所在的GPB-OWT-UCM分割区域之间的全局相似度进行协同显著性传播,以获得初始协同显著图。最后,我们将初始显著图和初始协同显著图融合得到最终的协同显著图。在Sub-iCoseg和iCoseg数据集验证所提出的协同显著性模型,并在主观上图像的质量对比效果和客观评估中无论是精确度、算法时间复杂度、F-Measure、PR曲线上始终优于先进的协同显著检测模型。2.然后提出图像间显著性传播及图像内约束的协同显著性检测方法。具体说是,该算法框架主要是由图像的交叉显著性传播和图像内显著性约束组合成,图像的显著性交叉传播主要是基于单幅图的显著种子,进行跨图像的交叉传播机制,融合图像组中的协同显著对象并抑制非协同显著对象,从而获得初步的协同显著图;然后引入图像的凸包的先验机制,获取图像中的显著对象的空间分布信息,约束共同的背景噪声并抑制相似背景区域,获得更精确的协同显著图。最后我们在两个标准的数据集Cp和iCoseg上进行对比试验分析,在MAE值、PR曲线、ROC、F-Measure曲线等评价标准上得到很好的表现,实验结果表明,同样是无监督的模型,本算法模型相比现存的无监督的协同显著性检测方法,获得更好的表现。总之,我们提出的基于全局构图和全局相似度显著传播的协同显著性检测方法和图像间显著性传播及图像内约束的协同显著性检测方法都是对一组图像进行的协同显著性检测的方法,这两种方法分别在iCoseg、Sub-iCoseg数据集上和Cp、iCoseg数据集实验验证都得到了很好的效果表现。