基于多聚類和多示例的協(xié)同顯著性目標檢測.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，圖像采集設備如數(shù)碼相機和智能手機等的廣泛普及，每天都會有海量的圖像數(shù)據(jù)產(chǎn)生，在這些數(shù)據(jù)中摻雜著大量冗余信息。人們在觀測這些圖像數(shù)據(jù)時會首先注意圖像中感興趣的區(qū)域，進而對其進行優(yōu)先處理。顯著性檢測就是利用計算機技術(shù)模仿人類的視覺注意機制，自動提取圖像中顯著區(qū)域，這不僅可以大大壓縮計算機待處理的數(shù)據(jù)，節(jié)約計算機的存儲空間，同時可以提高計算效率。
　　目前顯著性檢測方法已獲得許多成果，但更多僅適用于單圖檢測，不

2、適用于多圖協(xié)同顯著性檢測。多圖協(xié)同顯著性目標檢測一般應用于從多幅圖像或多個視頻中，尋找相同或相似的顯著性目標，其強調(diào)顯著性和協(xié)同性。本文在研究已有工作基礎上，提出了兩種協(xié)同顯著性目標檢測算法：基于多聚類的協(xié)同顯著性目標檢測算法、基于多特征融合多示例學習的顯著性目標檢測算法。
　　觀察發(fā)現(xiàn)，當圖像場景簡單時，選用較少的聚類數(shù)目就可以有較準確的聚類結(jié)果；而當圖像場景復雜時，選用較多的聚類數(shù)目才會有準確聚類結(jié)果，為了能對不同場景實現(xiàn)自主

3、選擇更準確的聚類數(shù)目，本文提出了基于多聚類的協(xié)同顯著性目標檢測算法。該算法將多聚類數(shù)目下生成的協(xié)同顯著性結(jié)果進行不同權(quán)重的融合，即對每一場景圖像執(zhí)行多個聚類數(shù)目下的聚類，再在每一聚類數(shù)目下計算該聚類數(shù)目對應的置信度，置信度越高，則在最后融合過程中賦予越大的權(quán)值。
　　另外，本文提出了基于多特征融合多示例學習的顯著性目標檢測算法。該算法考慮到不同特征檢測出的結(jié)果對于不同場景圖像的貢獻度不同，因此構(gòu)建了如下算法步驟：首先提取示例構(gòu)建正