基于多層次結(jié)合的協(xié)同顯著性檢測(cè).pdf

1、隨著科技的不斷發(fā)展，計(jì)算機(jī)視覺(jué)成為時(shí)代新興的研究方向。而圖像顯著性檢測(cè)，作為近年來(lái)計(jì)算機(jī)視覺(jué)中的一個(gè)熱點(diǎn)課題也廣受關(guān)注，越來(lái)越多的國(guó)內(nèi)外學(xué)者投入到對(duì)這個(gè)課題的研討之中。隨著多媒體技術(shù)以及社交網(wǎng)絡(luò)的飛速發(fā)展，生活中往往會(huì)出現(xiàn)成組的照片，這些照片會(huì)包含相同或相似的目標(biāo)。而對(duì)于這些成組出現(xiàn)的圖片共同進(jìn)行顯著性檢測(cè)的問(wèn)題，則被稱(chēng)為協(xié)同顯著性檢測(cè)。協(xié)同顯著性檢測(cè)的目的為檢測(cè)出一組圖像中所共有的顯著目標(biāo)，具備了一定的難度，并具有較深的實(shí)際意義，可應(yīng)

2、用到多種圖像處理領(lǐng)域中，如圖像分割、協(xié)同目標(biāo)定位、圖像檢索等。
　　目前大多數(shù)協(xié)同顯著性檢測(cè)的方法都是基于單個(gè)層次的，例如基于像素的算法，或是基于超像素、基于目標(biāo)區(qū)域的算法。基于不同的層次的算法都會(huì)有自身的優(yōu)點(diǎn)，然而也會(huì)存在一定的弊端，因而只基于一個(gè)層次的算法往往會(huì)存在一定的不足。與以往方法不同，本文將目標(biāo)層和超像素層這兩個(gè)層次結(jié)合，提出了一種基于多層次結(jié)合的協(xié)同顯著性檢測(cè)算法。首先在目標(biāo)層進(jìn)行目標(biāo)候選樣本的篩選工作。本文采用由粗

3、到細(xì)的方法來(lái)挑選更為準(zhǔn)確的目標(biāo)候選樣本，并在精細(xì)篩選中，將目標(biāo)候選樣本的篩選問(wèn)題視為噪聲檢測(cè)問(wèn)題，利用噪聲檢測(cè)算法來(lái)進(jìn)行精細(xì)篩選，最后得到較為準(zhǔn)確的圖像目標(biāo)模板。隨后用這些模板來(lái)指導(dǎo)超像素層的操作。在超像素層，通過(guò)對(duì)超像素分類(lèi)，重新為每個(gè)超像素分配標(biāo)簽。本文將傳統(tǒng)分類(lèi)模型進(jìn)行改進(jìn)，在模型中加入拉普拉斯約束，起到了很好的平滑作用。然后利用目標(biāo)層得到的模板選擇初始的偽真值標(biāo)簽，來(lái)指導(dǎo)超像素的重新分類(lèi)，并根據(jù)分類(lèi)結(jié)果得到最后的顯著性圖。