基于超像素的全局顯著性區(qū)域檢測(cè).pdf

1、顯著性分析模型，能夠仿真生物視覺系統(tǒng)，提取出圖像中最引人注意、最能代表圖像內(nèi)容的顯著部分。它作為很多計(jì)算機(jī)視覺問題的基礎(chǔ)處理步驟，具有重大的研究意義和廣闊的應(yīng)用前景。高效高質(zhì)量的顯著性分析模型可以為核心區(qū)域鎖定及追蹤、對(duì)象分析、場(chǎng)景描述、前景敏感的圖像檢索與編輯等抽象出可靠的完備數(shù)據(jù);可以合理恰當(dāng)?shù)胤峙鋱D像分析與處理所需的計(jì)算資源;也可以反過來加深我們對(duì)人類視覺系統(tǒng)工作原理的認(rèn)知和理解。
　　 根據(jù)實(shí)現(xiàn)機(jī)理不同，當(dāng)前圖像顯著性分

2、析模型可大致分為三類:生物體視覺仿真類，純數(shù)學(xué)計(jì)算類和兩者融合類。本文選取10種極具代表性的方法進(jìn)行研究，它們涵蓋上述多個(gè)類別，涉獵該領(lǐng)域最新的研究成果，且被引用多次。本文給出了顯著性分析問題的一般解決方案，共分為篩選圖像特征、計(jì)算圖像基本單元顯著性和后處理三個(gè)環(huán)節(jié)，并概括性地總結(jié)了各個(gè)過程較為有效的處理方法，介紹了各自的處理對(duì)象和處理方式?；谝陨涎芯靠梢园l(fā)現(xiàn)，今天顯著性分析依舊是待解決的熱點(diǎn)問題，有必要作進(jìn)一步探索。
　　

3、提升顯著性分析算法的性能可以依據(jù)以下三點(diǎn)，一是盡可能減少比較次數(shù)來提高速度，二是綜合考慮多種因素來更科學(xué)地度量顯著性，三是引入恰當(dāng)?shù)暮筇幚聿襟E來增強(qiáng)檢測(cè)效果。
　　 本文設(shè)計(jì)了一種新的超像素聚類方法HAIC（Hexagonally Arranged IterativeClustering），為圖像顯著性分析問題引入了恰當(dāng)?shù)念A(yù)處理步驟，解決了顯著性全局分析效果雖好但計(jì)算耗費(fèi)過大的問題。HAIC方法在CIELAB色彩空間和平面空間聚

4、類像素，能在線性時(shí)間復(fù)雜度內(nèi)將輸入自然圖像的處理粒度更新為尺度均勻、鄰接關(guān)系優(yōu)良、顏色邊緣貼合的高質(zhì)量超像素。
　　 本文進(jìn)一步提出了一種新的顯著性分析模型SGC(Superpixel GlobalContrast)。它采用HAIC方法進(jìn)行預(yù)處理高效劃分圖像，后續(xù)顯著性分析都是基于預(yù)處理中產(chǎn)生的超像素的，所以速度很快。本文關(guān)注的是全局對(duì)比度，采用了簡(jiǎn)單高效的評(píng)估方式歐氏距離，并將對(duì)比度衡量對(duì)象集合中的元素減少到兩個(gè)，顏色差異及平

5、面接近程度，它們不僅可以被直觀地定義，而且能夠計(jì)算出高精度的顯著性值。再引入POO算法（Pivotal Object Outstanding），來進(jìn)一步加工過程顯著性圖，強(qiáng)化其中的核心目標(biāo)物體，增強(qiáng)檢測(cè)效果。相較于前面提到的其他十種顯著性分析模型，SGC生成的顯著性圖質(zhì)量更高，所用的平均檢測(cè)時(shí)間更短，性能更好。
　　 本文將生成的顯著性圖像應(yīng)用于很多有意思的應(yīng)用。再現(xiàn)了一些經(jīng)典應(yīng)用模型，如遍歷閾值提取;改進(jìn)了一些有代表性的應(yīng)用模