基于特征分布學(xué)習(xí)的圖像顯著性區(qū)域檢測(cè)研究.pdf

1、圖像顯著性區(qū)域檢測(cè)是模仿人類視覺注意機(jī)制，將視覺場(chǎng)景中的顯著對(duì)象提取出來，從而使計(jì)算機(jī)具備類似人的視覺主動(dòng)性和選擇性的一種圖像處理技術(shù)，在圖像分割、圖像檢索、圖像/視頻壓縮等領(lǐng)域有著廣泛的應(yīng)用。傳統(tǒng)的顯著性區(qū)域檢測(cè)方法通過構(gòu)造啟發(fā)式函數(shù)整合特征，這類方法對(duì)人工經(jīng)驗(yàn)的依賴較高。機(jī)器學(xué)習(xí)方法可以自動(dòng)地從數(shù)據(jù)中得到模型的最優(yōu)解，而且由于學(xué)習(xí)需要充足的數(shù)據(jù)量，這為整合豐富的特征提供了便利。
　　本文介紹了圖像顯著性區(qū)域檢測(cè)中的基本概念，對(duì)

2、現(xiàn)有的顯著性區(qū)域檢測(cè)方法做了綜述，并闡述了有監(jiān)督學(xué)習(xí)方法的基本原理，針對(duì)提高檢測(cè)方法的特征整合能力和檢測(cè)的自動(dòng)化水平，提出了2種基于特征分布學(xué)習(xí)的圖像顯著性區(qū)域檢測(cè)方法。這兩種方法均采用監(jiān)督學(xué)習(xí)模型組合半監(jiān)督學(xué)習(xí)模型的方式:
　　(1)監(jiān)督學(xué)習(xí)模型，用于預(yù)測(cè)圖像初步的顯著圖，兩種方法均采用梯度提升樹模型，它能處理高維數(shù)的特征向量，并依據(jù)特征的分類能力對(duì)特征做出選擇。
　　(2)半監(jiān)督學(xué)習(xí)模型，對(duì)初步的顯著圖進(jìn)行優(yōu)化，本文第一

3、種方法采用標(biāo)記傳播算法疊加高斯混合模型，先通過標(biāo)記傳播處理顯著性置信度較低的區(qū)域，再建立高斯混合模型以概率的方式對(duì)顯著性區(qū)域進(jìn)行區(qū)分;本文第二種方法對(duì)標(biāo)記傳播算法做了改進(jìn)，在鄰接相似度矩陣的基礎(chǔ)上增加鄰域相似度矩陣，并舍棄高斯混合模型，以改善第一種方法結(jié)果過于細(xì)致的缺點(diǎn)。本文將提出的2種方法與另外6種顯著性區(qū)域檢測(cè)方法進(jìn)行了比較，實(shí)驗(yàn)結(jié)果表明，本文方法的檢測(cè)效果均優(yōu)于其它6種方法，并且第二種方法優(yōu)于第一種方法。
　　文章最后對(duì)本文