復(fù)雜環(huán)境下的顯著性目標(biāo)檢測(cè)研究.pdf

1、顯著性目標(biāo)檢測(cè)被廣泛應(yīng)用到圖像處理中，因此成為近年來(lái)研究的熱點(diǎn)。人們通常所說(shuō)的顯著性目標(biāo)就是指人們所熟悉的能引起人們視覺(jué)注意的事物。而顯著性目標(biāo)檢測(cè)就是計(jì)算機(jī)模仿人類(lèi)視覺(jué)注意力機(jī)制，提取圖像中最引人注意的部分，這一部分的顯著度用相應(yīng)的灰度圖像表示。
　　雖然國(guó)內(nèi)外學(xué)者對(duì)顯著性目標(biāo)檢測(cè)投入了大量的研究，然而檢測(cè)的精度往往不高，特別是對(duì)于小目標(biāo)，2個(gè)目標(biāo)以及復(fù)雜背景下的目標(biāo)檢測(cè)較為困難。本文就如何實(shí)現(xiàn)復(fù)雜環(huán)境下的顯著性目標(biāo)檢測(cè)，并提高

2、檢測(cè)的精確性和準(zhǔn)確性進(jìn)行了研究，在歸納和總結(jié)現(xiàn)有的主要檢測(cè)算法基礎(chǔ)上，提出了兩種顯著性目標(biāo)檢測(cè)算法：
　?。?）基于特征圖最優(yōu)融合的顯著性目標(biāo)檢測(cè)算法（Salient Object Detection based on Optimally Fusing low-level Features）。雖然圖像的低級(jí)特征也可以檢測(cè)到顯著性目標(biāo)，但是應(yīng)對(duì)現(xiàn)實(shí)生活中復(fù)雜環(huán)境下的圖像，圖像的低級(jí)特征對(duì)目標(biāo)的描述就很困難。FF算法就是將圖像的低級(jí)特

3、征進(jìn)行最優(yōu)權(quán)重的融合，將顏色分布，方向?qū)Ρ榷纫约盎陬l率信息這三種特征運(yùn)用條件隨機(jī)場(chǎng)進(jìn)行最優(yōu)全值線性融合后，使每個(gè)特征達(dá)到互補(bǔ)的作用，實(shí)現(xiàn)了在復(fù)雜環(huán)境下對(duì)顯著性目標(biāo)更精確的檢測(cè)。該方法不僅有效的結(jié)合了局部和全局特征，而且還引入頻域信息，有效增強(qiáng)顯著性區(qū)域和目標(biāo)邊界，解決檢測(cè)到的顯著性目標(biāo)分布不均勻問(wèn)題。
　?。?）基于背景優(yōu)化的顯著性目標(biāo)檢測(cè)算法（Salient Object Detection based on Backgrou

4、nd Optimization）。對(duì)于顯著目標(biāo)的檢測(cè)，背景信息也很重要。BO算法基于圖像邊界先驗(yàn)估計(jì)出背景信息，然后將背景信息和引入的前景相融合，并將融合方式看成是一個(gè)全局優(yōu)化過(guò)程，且根據(jù)實(shí)驗(yàn)設(shè)定最優(yōu)閾值，解此代價(jià)函數(shù)的最優(yōu)解即是所求圖像的顯著值。BO算法保證了檢測(cè)的精確性和魯棒性，并且實(shí)時(shí)性也得到一定的提高。
　　（3）本文使用了四個(gè)公開(kāi)數(shù)據(jù)庫(kù)，分別代表了復(fù)雜環(huán)境下的圖像（目標(biāo)大小不同，復(fù)雜背景，2個(gè)目標(biāo)等）對(duì)所提出的兩種算法進(jìn)