顯著目標檢測方法及其應用研究.pdf

1、生活中，人類不斷地接收新的信息以感知環(huán)境，這些信息中約80％來自于視覺，如果計算機能夠像人類一樣有效的處理視覺信息，則會為計算機視覺領域帶來新的變革。顯著目標檢測方法正是從這樣的想法中提煉出來的，它能夠快速準確地找到圖像中顯著目標區(qū)域，這樣可以簡化對圖像的處理。如今，顯著目標檢測方法已經(jīng)被引入到內容感知、圖像編輯、目標分類與識別、圖像前背景分割、圖像檢索等領域。近年來，顯著目標檢測方法得到了廣泛關注。本文的主要工作就是以顯著目標檢測理論

2、為基礎，研究顯著度度量算法，概括如下。
　　(1)將多分辨率分析技術和圖像熵用于譜剩余算法，計算并選取最佳的顯著圖。使用多分辨率技術能夠在檢測過程中兼顧不同大小的目標，使用圖像熵作為最佳分辨率下顯著圖的選取標準，得到的顯著圖可以最大程度的抑制非顯著目標。這種顯著目標檢測算法具有更強的魯棒性，將其應用于皮革表面的缺陷檢測問題上，取得了良好的效果。
　　(2)基于頻率調諧顯著性檢測算法，計算全局和局部顯著圖相融合的融合顯著圖。全

3、局顯著圖可以很好的表示了顯著目標的大小、形狀及內部信息，但對圖像中背景和大量出現(xiàn)的噪聲點抑制能力較弱。局部顯著圖能夠抑制噪聲點和局部顯著性較低的目標。將全局顯著圖和局部顯著圖融合，得到融合顯著圖。這種基于融合顯著圖的顯著目標檢測算法具有更強的魯棒性。將其應用于復雜紋理的表面缺陷檢測問題上，取得了良好效果。
　　(3)以均值漂移濾波算法作為預處理，在其基礎上計算并融合顏色對比度和顏色集中度，得到最終顯著圖。首先對圖像進行基于超像素的

4、快速自適應均值漂移濾波，得到圖像中各超像素塊的空域和值域模式點信息，作為后續(xù)計算顯著度的基礎。然后借鑒譜剩余算法的思想，使用顏色集中度降低背景目標的顯著度，并與顏色對比度相結合，作為最終的顯著性度量方法。最后，將該算法在國際公開的數(shù)據(jù)集上進行測試，取得了良好的效果。
　　(4)將上述顯著目標檢測方法與Grab Cuts相結合，完成顯著目標的自適應分割。首先對圖像計算得到顯著圖，然后提取顯著目標的最大外界輪廓來計算Grab Cuts