基于稀疏子空間聚類和低秩表示的顯著性目標檢測.pdf

1、顯著性目標檢測的目的是完整一致地檢測出圖像中最吸引人眼注意的目標區(qū)域。人類等靈長類動物能夠快速地從復雜場景中選擇感興趣的區(qū)域，然而在機器視覺領域中，如何準確高效地檢測出復雜場景中的顯著性目標成為人們關注的問題。
　　近年來，低秩矩陣恢復技術得到人們的廣泛關注，出現(xiàn)了一些基于低秩矩陣恢復的顯著性檢測算法。傳統(tǒng)基于低秩矩陣恢復的顯著性檢測算法假設背景特征屬于同一低維子空間，而將較小尺寸顯著性目標的特征看作稀疏噪聲。因此，利用低秩矩陣恢

2、復算法將圖像的特征矩陣分解為低秩矩陣和稀疏矩陣，其中低秩矩陣包含背景信息，稀疏矩陣表示顯著性目標信息。此類算法往往能夠準確檢測簡單場景中尺寸較小的顯著性目標。然而，當顯著性目標的尺寸較大時，傳統(tǒng)基于低秩矩陣恢復的算法往往在顯著性目標邊緣分配較大的顯著值，而不能完整地檢測出整個顯著性目標區(qū)域。本文提出了一種基于稀疏子空間聚類和低秩表示的顯著性目標檢測算法，該算法不僅能夠完整一致地檢測出較大尺寸的顯著性目標，并且對于復雜背景圖像，它依然能夠

3、得到令人滿意的檢測效果。
　　本文的主要工作如下：
　　首先，詳細介紹了三種已有的基于低秩矩陣恢復的顯著性檢測算法，它們分別是基于稀疏表示與魯棒主成分分析的顯著性檢測、基于多任務低秩表示的顯著性檢測和基于特征變換與魯棒主成分分析的顯著性檢測。傳統(tǒng)基于低秩矩陣恢復的顯著性檢測算法主要假設顯著性目標的尺寸較小，背景特征處于同一低維子空間，此類算法一般難以準確檢測尺寸較大或復雜背景中的顯著性目標。
　　其次，本文提出一種基于

4、稀疏子空間聚類和低秩表示的顯著性目標檢測算法。該算法對輸入圖像進行超像素分割，并對分割得到的超像素進行拉普拉斯稀疏子空間聚類。每一個聚類包含具有相似特征的超像素，這些超像素可能同時屬于顯著性目標或者圖像背景的部分區(qū)域，本算法將圖像顯著性目標檢測問題轉(zhuǎn)化成聚類的顯著性檢測問題，并采用低秩表示算法分解聚類的特征矩陣。利用超像素局部-全局顏色對比度粗略構(gòu)建顯著性字典，該字典的原子可以分為三組：（1）前景超像素的特征；（2）背景超像素的特征；（

5、3）混合超像素的特征。在此字典的基礎上，利用低秩表示算法分解聚類特征矩陣，其低秩表示系數(shù)不僅能夠反映該聚類與前景的相似度，還能夠反映其與背景的相關性。因此，本算法利用低秩表示系數(shù)定義聚類的顯著性，能夠完整一致地檢測出尺寸較大的顯著性目標。同時，為了更加準確地檢測出尺寸較小的顯著性目標，與傳統(tǒng)算法相似，該算法還利用重構(gòu)誤差定義超像素的顯著性。融合基于低秩表示系數(shù)和基于重構(gòu)誤差的顯著圖，得到最終的顯著性目標檢測結(jié)果。
　　最后，在Wi