基于特征分布學習的圖像顯著性區(qū)域檢測研究.pdf

1、圖像顯著性區(qū)域檢測是模仿人類視覺注意機制，將視覺場景中的顯著對象提取出來，從而使計算機具備類似人的視覺主動性和選擇性的一種圖像處理技術，在圖像分割、圖像檢索、圖像/視頻壓縮等領域有著廣泛的應用。傳統(tǒng)的顯著性區(qū)域檢測方法通過構造啟發(fā)式函數(shù)整合特征，這類方法對人工經驗的依賴較高。機器學習方法可以自動地從數(shù)據(jù)中得到模型的最優(yōu)解，而且由于學習需要充足的數(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)域檢測中的基本概念，對

2、現(xiàn)有的顯著性區(qū)域檢測方法做了綜述，并闡述了有監(jiān)督學習方法的基本原理，針對提高檢測方法的特征整合能力和檢測的自動化水平，提出了2種基于特征分布學習的圖像顯著性區(qū)域檢測方法。這兩種方法均采用監(jiān)督學習模型組合半監(jiān)督學習模型的方式:
　　(1)監(jiān)督學習模型，用于預測圖像初步的顯著圖，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)特征的分類能力對特征做出選擇。
　　(2)半監(jiān)督學習模型，對初步的顯著圖進行優(yōu)化，本文第一

3、種方法采用標記傳播算法疊加高斯混合模型，先通過標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顯著性區(qū)域進行區(qū)分;本文第二種方法對標記傳播算法做了改進，在鄰接相似度矩陣的基礎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果過于細致的缺點。本文將提出的2種方法與另外6種顯著性區(qū)域檢測方法進行了比較，實驗結果表明，本文方法的檢測效果均優(yōu)于其它6種方法，并且第二種方法優(yōu)于第一種方法。
　　文章最后對本文