基于傳播與投票機(jī)制的顯著性檢測方法研究與實現(xiàn).pdf

1、人類有一種驚人的能力，能夠在場景中對最感興趣的目標(biāo)進(jìn)行視覺定位。這種能力被稱為視覺注意力，是目前神經(jīng)科學(xué)和計算機(jī)視覺的一個研究熱點。在計算機(jī)視覺領(lǐng)域，它主要包括三個方面的研究內(nèi)容:眼動預(yù)測，顯著性物體檢測，以及似物性采樣。本文主要聚焦顯著性物體檢測，即檢測一幅圖像中最顯著的物體或區(qū)域，目前這是一個非常具有挑戰(zhàn)的研究課題。隨著顯著性檢測研究的發(fā)展，顯著性檢測在圖像分割、圖像識別、視頻跟蹤、圖像分類和圖像檢索等領(lǐng)域得到了廣泛地應(yīng)用。

2、　　近年來隨著顯著性檢測應(yīng)用需求的增長，許多顯著性傳播方法也層出不窮地提出。這些顯著性傳播方法在檢測背景簡單圖像時能達(dá)到較好的顯著性檢測結(jié)果。然而，在處理復(fù)雜背景的圖像時仍然面臨挑戰(zhàn)。為了解決這個問題，本文首先提出了一個簡單而有效的自底向上的顯著性檢測模型，該方法融合了弱顯著性檢測模型和強(qiáng)顯著性檢測模型，取得了較好的實驗結(jié)果。本文還提出了一種簡單高效的融合方法，可以進(jìn)一步提升檢測性能。本文的主要研究工作及創(chuàng)新點如下:
　　第一，本

3、文通過引入空間分布先驗和高辨別力的相似性度量，提出了一種簡單有效的基于背景先驗的顯著性檢測方法。其中空間分布先驗用于得到更加準(zhǔn)確可靠的背景種子，高辨別力的相似性度量用于區(qū)分復(fù)雜場景中高度相似的顯著性物體和背景。
　　第二，本文提出一種基于節(jié)點先驗的顯著性傳播方法。通過在流形排序中引入節(jié)點先驗來減少背景區(qū)域的錯誤傳播。具體過程是使用相似性度量來計算基于背景的粗的顯著性圖，通過引入均衡分布作為先驗來去除圖像邊界的前景噪聲?；诹餍信判?/p>

4、，通過設(shè)置適當(dāng)?shù)墓?jié)點，構(gòu)建一個強(qiáng)大的顯著性傳播機(jī)制來突出前景對象，同時抑制背景區(qū)域。該方法也能用于其他顯著性傳播方法來提升它們的性能。此外，為了得到光滑的顯著性圖，本文還采用了Sigmoid函數(shù)和快速雙邊濾波對傳播后的檢查結(jié)果進(jìn)行優(yōu)化處理，優(yōu)化后的結(jié)果在視覺效果上更加接近真值標(biāo)注。
　　第三，本文提出一種基于硬票機(jī)制的顯著性融合方法?，F(xiàn)有方法在處理不同圖像時往往互有優(yōu)劣，現(xiàn)有文獻(xiàn)也表明許多方法之間具有互補(bǔ)特性。因此，本文采用硬投票

5、機(jī)制來捕獲這一互補(bǔ)特性，以進(jìn)一步提升顯著性檢測性能。首先選取世界先進(jìn)的五種顯著性檢測方法，將這些檢測方法的檢測結(jié)果作為輸入圖像。然后采用貝葉斯方法，對各個方法得到的顯著性圖進(jìn)行更新，以提升各個方法的檢測效果。每幅顯著圖可以被看成是一個投票者，根據(jù)大津算法設(shè)置一個參考閾值，當(dāng)顯著圖的顯著性值大于閾值時，投票者投票為(1)，當(dāng)顯著圖的顯著性值小于閾值時，投票者投票為(-1)。將投票結(jié)果進(jìn)行加權(quán)相加即得到最終的顯著性融合結(jié)果。
　　大量

6、的實驗結(jié)果表明，本文所提出的方法用現(xiàn)有的五個公開數(shù)據(jù)集進(jìn)行測試，在PR(Precision-Recall)曲線、F-measure、MAE(Mean Absolute Error)以及AUC(Area UnderROC)評價指標(biāo)方面，與十五個世界先進(jìn)的方法相比較，均體現(xiàn)出優(yōu)異的性能。此外，本文所提出的相似性度量和節(jié)點先驗也可以應(yīng)用于現(xiàn)有的其他顯著性傳播模型中，可有效地提高傳播模型的顯著性檢測性能。通過本文的融合方法還可進(jìn)一步提升檢測性能