基于對比度的視覺顯著性研究.pdf

1、當需要深入分析復雜的視覺場景時,視覺系統(tǒng)會根據(jù)高對比度刺激來準確判斷顯著性目標。這種具有選擇特性的視覺注意力機制能夠突破信息處理瓶頸,幫助快速、高效地篩選輸入的感知信息。通過研究視覺顯著性,不僅可以了解人類大腦初級視覺皮層的工作原理,而且可以將其應用于計算機視覺與圖像處理,降低計算復雜度和節(jié)省資源。
　　本文分析現(xiàn)有的優(yōu)秀顯著性模型的優(yōu)缺點,并且在此基礎上針對這些顯著性模型普遍存在的局限和不足,結合特征整合理論,尺度空間理論,顏色

2、模型以及Matting等圖像處理技術,主要對基于對比度的顯著性檢測方法展開深入研究,重點圍繞紋理、顏色以及空間分布的特征對比度,提出四種面向純計算的顯著性模型。準確率和召回率,絕對平均誤差等實驗證實,本文所提出的四種顯著性模型均表現(xiàn)出優(yōu)越性能。本文的主要貢獻包括以下四個方面:
　　(1)第三章根據(jù)紋理和顏色對比度,提出基于HOG和顏色的顯著性模型:1)通過分析HOG的空間分布方差來提取顯著性目標邊緣和其內(nèi)部的復雜紋理區(qū)域;2)通過

3、分析顯著基元的顏色相似性和空間分布來描述輸入圖像在顏色方面的顯著特性。實驗表明,該顯著性模型能夠有效檢測顯著性目標邊緣和其內(nèi)部的復雜紋理區(qū)域,較為完整地突出顯著性目標。
　　(2)第四章借鑒第三章所提出的顏色對比度測量方法,提出基于尺度空間的顯著性模型:1)應用尺度空間理論在各尺度層上測量顯著基元的顏色對比度,在粗糙尺度空間上保持顯著性目標的完整性,在精細尺度空間上抑制顯著性目標邊緣模糊;2)提出一種簡化的線性加權中央-周圍環(huán)繞算

4、子,增強且均勻突出顯著性目標區(qū)域。實驗表明,該顯著性模型能夠均勻高亮完整的顯著性目標,銳化顯著性目標邊緣以及抑制背景,顯著提高準確率和召回率。
　　(3)第五章考慮到CIE Lab和RGB顏色模型對顯著性檢測的貢獻不同,提出基于雙顏色模型的顯著性模型:1)在CIE Lab和RGB顏色模型上重建基于尺度空間的顯著性模型;2)提出一種基于熵值分布的非線性融合方法來提取最終顯著性圖像。實驗表明,該顯著性模型能夠彌補單一顏色模型在顯著性檢

5、測過程中的局限性。
　　(4)第六章引入最優(yōu)尺度空間分析,提出基于Matting的顯著性模型:1)矯正在當前尺度空間上的顯著性圖像;2)引導在高階尺度空間上的顯著性檢測。實驗表明,該顯著性模型能夠整合最優(yōu)尺度空間分析,保護顯著性目標和抑制背景。
　　第七章對本文研究內(nèi)容進行總結和展望,并且對所提出的四種顯著性模型的綜合性能進行橫向比較。實驗表明:1)本文所提出的基于尺度空間的顯著性模型,基于雙顏色模型的顯著性模型,以及基于M