基于圖的NAM表示及其上的顯著性區(qū)域檢測.pdf

1、圖像表示是圖像信息在計算機中的表示和存儲方式,圖像表示在計算機視覺、圖像處理和模式識別中有著非常重要的研究意義。圖像的表示方法不同將直接影響圖像在處理中的效率。非對稱逆布局表示模型(NAM)借助于packing思想擁有較好的表示效率,能夠在保持圖像編碼效率的情況下獲得良好的圖像處理能力。
　　在NAM的基礎(chǔ)上,以圖像識別為目的,研究了一種新的基于圖的逆布局子模式生長算法GNAM,通過圖的全局性特征進行子模式分割,并設(shè)計基于局部動態(tài)

2、閾值的方法來動態(tài)的判定子模式。針對彩色圖像和灰度圖像的區(qū)別設(shè)計一種符合視覺的子模式間距離計算方法。通過圖像重建后的實驗數(shù)據(jù)表明相對于NAM,使用GNAM逆布局的子模式能夠獲得更準確的子模式和更好的圖像重建效果。
　　針對NAM子模式隊列存儲方式的特點和GNAM子模式的特點,設(shè)計了一種能夠保留子模式空間特性和增強子模式存儲壓縮特性的標簽矩陣數(shù)據(jù)結(jié)構(gòu),實現(xiàn)了子模式隊列和標簽矩陣的相互轉(zhuǎn)換算法。根據(jù)標簽矩陣的特征設(shè)計了一種基于標簽矩陣的

3、NAM的游程編碼和huffman編碼相結(jié)合的聯(lián)合壓縮技術(shù)。通過分析NAM的各種存儲方式,提出了NAM編碼協(xié)議,形成一套較完整的NAM編碼統(tǒng)一規(guī)則。通過和原始NAM子模式隊列的圖像表示模型的數(shù)據(jù)量比較獲得了較大的圖像數(shù)據(jù)壓縮效果。
　　基于GNAM的分割子模式的全局特性和區(qū)域特性,提出使用于GNAM子模式之上的區(qū)域顯著性檢測算法,求得GNAM的顯著性圖,并通過顯著性圖使用多層迭代Grabcut方法對圖像進行顯著區(qū)域分割。實驗表明,基