基于傳播與投票機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進行視覺定位。這種能力被稱為視覺注意力，是目前神經(jīng)科學和計算機視覺的一個研究熱點。在計算機視覺領域，它主要包括三個方面的研究內(nèi)容:眼動預測，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域得到了廣泛地應用。

2、　　近年來隨著顯著性檢測應用需求的增長，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到較好的顯著性檢測結(jié)果。然而，在處理復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確可靠的背景種子，高辨別力的相似性度量用于區(qū)分復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、，通過設置適當?shù)墓?jié)點，構(gòu)建一個強大的顯著性傳播機制來突出前景對象，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注。
　　第三，本文提出一種基于硬票機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)有文獻也表明許多方法之間具有互補特性。因此，本文采用硬投票

5、機制來捕獲這一互補特性，以進一步提升顯著性檢測性能。首先選取世界先進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)大津算法設置一個參考閾值，當顯著圖的顯著性值大于閾值時，投票者投票為(1)，當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)集進行測試，在PR(Precision-Recall)曲線、F-measure、MAE(Mean Absolute Error)以及AUC(Area UnderROC)評價指標方面，與十五個世界先進的方法相比較，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一步提升檢測性能