基于分類思想的圖像顯著區(qū)域檢測.pdf

1、近年來，通過視覺顯著區(qū)域檢測來獲得圖像中的感興趣區(qū)域，已經(jīng)成為計算機視覺領域的熱門之一。感興趣的區(qū)域即為顯著性的區(qū)域，而對顯著區(qū)域進行識別最為有效的方法則是建立一套視覺注意模型。通過以往的研究發(fā)現(xiàn)，視覺注意模型的建立通常離不開視覺注意機制，而視覺注意機制又可以分為兩種不同的方法:自下而上的視覺注意以及自上而下的視覺注意。自下而上的注意是由數(shù)據(jù)驅(qū)動，是受底層信息所影響的;而自上而下的注意則是任務驅(qū)動的，是受高層語義信息影響的。
　　

2、現(xiàn)有的顯著區(qū)域檢測方法往往只包含一種視覺注意機制，使得檢測結果與人眼真實看到的存在一定的差距，針對這種問題，本文結合自下而上和自上而下兩種視覺注意機制，建立一套自己的視覺注意模型，主要工作包括:
　　(1)分析了經(jīng)典的Itti算法提取圖像特征的優(yōu)缺點，提出了結合自下而上和自上而下兩種視覺注意機制對圖像進行特征提取的方法。在自下而上的視覺注意中，提出了使用之前沒有應用到顯著區(qū)域檢測領域的Dense Sift方法進行特征提取，并將該方

3、法得到的特征加入到分類器中進行訓練，分析實驗結果，驗證使用Dense Sift方法進行顯著性檢測的可行性。在自上而下的視覺注意中，通過進行眼動實驗獲取圖像的眼動數(shù)據(jù)，經(jīng)過高斯卷積等操作得到ground truth顯著圖，在圖像中選取正負樣本點加入到分類器中進行訓練學習。
　　(2)提出了基于Dense Sift和Adaboost方法的DENSA模型進行圖像顯著區(qū)域檢測。針對現(xiàn)有的Adaboost分類器方法進行實驗分析，使用Mode

4、st Adaboost方法作為最終強分類器，將經(jīng)過眼動實驗得到的正負樣本點和相對應特征加入到分類器中進行訓練，得到最后的DENSA模型。通過與線性SVM及其它11種現(xiàn)有顯著性模型的對比實驗驗證了DENSA模型進行顯著區(qū)域檢測的優(yōu)勢。
　　(3)在本文的后續(xù)延伸實驗中，本文嘗試使用深度學習的方法提取圖像卷積層特征進行顯著區(qū)域檢測，將神經(jīng)網(wǎng)絡卷積層特征進行上采樣后得到原圖大小的特征圖，再進行后續(xù)相關操作，并且通過相關實驗也驗證了該方法