視覺顯著性區(qū)域計算及顯著性物體分割方法研究.pdf

1、隨著移動存儲技術和互聯(lián)網技術的快速發(fā)展，全球圖像視頻數據正在呈現爆炸式增長。這些圖像和視頻的信息量已經超過計算機所擁有的計算能力，給視覺大數據處理技術提出了新的挑戰(zhàn)。人類可以從大量的視覺輸入中定位出少量最重要的視覺信息，然后對其進行分析和處理。人們希望智能信息處理系統(tǒng)具有人類這種從粗略看到精細看的能力。視覺顯著性計算方法就是模仿人類的粗看過程對視覺信息進行有效篩選，而顯著性物體分割就是模仿人類的細看過程為場景理解奠定基礎。本文在現有研究

2、的基礎上，對視覺顯著性計算和顯著性物體分割展開深入研究。
　　首先，在含有復雜背景的自然圖像中，單一尺度下的局部顯著性線索不能對圖像中的整個顯著性物體進行有效的描述。針對該問題提出了一種金字塔融合的視覺顯著性區(qū)域檢測算法。將圖像分解為互不相交的區(qū)域并以此為圖像顯著性分析的基元，在此基礎上提取各區(qū)域的顏色并計算該分割區(qū)域的平均顏色用來進行區(qū)域的表示。在同一尺度下構建兩種全局顯著性線索包括全局區(qū)域顏色對比度線索和全局區(qū)域顏色空間分布線

3、索，采用非線性融合策略將這兩種線索進行融合。借助圖像金字塔將不同尺度下的顯著性圖像按照相同權重融合在一起。
　　其次，針對低層視覺特征檢測不完全的問題，提出了一種高層先驗與低層特征融合的視覺顯著性區(qū)域檢測算法。構建一種基于區(qū)域合并的分層圖像抽象表示，在此基礎上計算圖像的高層視覺線索包括圖像的邊界線索和中心先驗線索，以及低層視覺特征包括顏色對比度特征和基于FCM的區(qū)域顏色分布特征。并設計出有效的融合策略將不同的視覺顯著性特征進行融合

4、，在同一尺度下進行遞進式和啟發(fā)式相結合的融合策略，在不同尺度下則采用基于信息熵的融合策略，實驗結果表明該方法可以對背景區(qū)域有很好的抑制效果。
　　再次，為充分考慮各視覺線索之間的交互關系，提出了一種特征組合和學習的視覺顯著性區(qū)域檢測方法。從四個方面提取區(qū)域的顯著性線索作為原子特征包括區(qū)域的對象性特征，基于GMM的顏色分布特征，基于邊界和中心的稀疏編碼特征和區(qū)域顏色對比度特征。利用一種新穎的特征組合策略將4維特征向量映射為15維特征

5、向量并訓練一個logistic分類器來區(qū)分顯著性區(qū)域和背景區(qū)域。在檢測階段采用多尺度進行顯著性圖像的增強操作，在公開數據集下的實驗表明提出的算法可以生成高質量的顯著性圖像。
　　最后，提出了一種基于顯著性種子點和隨機游走的物體分割算法實現自動物體分割。第一階段利用顯著性檢測結果生成初始的種子點并結合SVM分類器對這些種子點進行重新標記；第二階段將生成的種子點結合隨機游走算法實現物體的自動分割；第三階段利用數學形態(tài)學中的腐蝕和膨脹操