基于流形正則化SVM的圖像顯著性檢測(cè).pdf

1、圖像顯著性檢測(cè)旨在刪除圖像中的冗余或者重復(fù)繁雜成分，獲取圖像中視覺(jué)感興趣區(qū)域，作為圖像預(yù)處理步驟，廣泛地運(yùn)用到了計(jì)算機(jī)視覺(jué)中目標(biāo)識(shí)別等多個(gè)領(lǐng)域。
　　本文提出一種基于半監(jiān)督模式的流形正則化的圖像顯著性目標(biāo)檢測(cè)算法，即基于流形正則化支持向量機(jī)（SVM）模型的圖像顯著性檢測(cè)算法。本模型在訓(xùn)練時(shí)，充分地采用了圖像中所有超像素的信息，降低了模型訓(xùn)練成本，提升了目標(biāo)檢測(cè)的高效性與精確性。并且同時(shí)考慮了圖像局部學(xué)習(xí)和圖像全局學(xué)習(xí)的特點(diǎn)，比如，

2、當(dāng)圖像中前景和背景特征對(duì)比度較低時(shí)，局部檢測(cè)可能只檢測(cè)目標(biāo)的一部分，忽略目標(biāo)的完整性，而全局檢測(cè)則能從圖像整體的角度很好地捕獲顯著目標(biāo)，但有時(shí)會(huì)忽略顯著目標(biāo)的一些細(xì)節(jié)問(wèn)題。基于上述特點(diǎn)，本文同時(shí)構(gòu)建局部和全局正則化支持向量機(jī)模型，融合局部和全局的檢測(cè)結(jié)果，使得模型的檢測(cè)結(jié)果更準(zhǔn)確。具體分為以下四個(gè)步驟：首先，將圖像分割成一系列的超像素，構(gòu)建稠密關(guān)聯(lián)矩陣，并生成目標(biāo)區(qū)域二值圖。根據(jù)背景先驗(yàn)和平滑先驗(yàn)計(jì)算每個(gè)目標(biāo)區(qū)域二值圖的目標(biāo)分值和背景分

3、值。以兩個(gè)分值為權(quán)重，對(duì)所有的目標(biāo)區(qū)域二值圖進(jìn)行權(quán)重疊加得到初始顯著性圖，并選取偽前景和背景超像素為偽標(biāo)記樣本進(jìn)行后續(xù)模型的訓(xùn)練。接著，分別構(gòu)建局部和全局流形正則項(xiàng)，嵌入傳統(tǒng)的SVM模型進(jìn)行訓(xùn)練，并預(yù)測(cè)圖像中所有的超像素的顯著性值。其次，融合優(yōu)化局部流形正則化SVM和全局流形正則化SVM的檢測(cè)結(jié)果，獲得更可觀更優(yōu)異的顯著性目標(biāo)檢測(cè)結(jié)果。最后，基于新的顯著性檢測(cè)結(jié)果，更新偽標(biāo)記樣本，提升偽標(biāo)記樣本的準(zhǔn)確率，重新對(duì)流形正則化SVM模型進(jìn)行訓(xùn)

4、練，并重新預(yù)測(cè)，融合優(yōu)化兩個(gè)模型的顯著性目標(biāo)檢測(cè)結(jié)果，得到最終的顯著性目標(biāo)檢測(cè)結(jié)果。
　　本文選取五個(gè)國(guó)際公開(kāi)的具有權(quán)威性的圖像數(shù)據(jù)庫(kù)作為實(shí)驗(yàn)數(shù)據(jù)庫(kù)，在之上執(zhí)行了各個(gè)階段實(shí)驗(yàn)結(jié)果的驗(yàn)證，并和當(dāng)前國(guó)際認(rèn)可的13種較新的得到學(xué)術(shù)界認(rèn)可的顯著性目標(biāo)檢測(cè)算法的進(jìn)行了實(shí)驗(yàn)結(jié)果的比較。相關(guān)數(shù)據(jù)顯示，本文基于流形正則化SVM模型的顯著性檢測(cè)方法的各個(gè)評(píng)價(jià)指標(biāo)要比其他的算法結(jié)果好。除此之外，本文算法可以提升現(xiàn)有的顯著目標(biāo)檢測(cè)模型的檢測(cè)效果，提升效