基于图像分割的显著性物体检测方法

摘要

近年来，显著性物体检测的研究备受关注，图像中的显著性物体是一幅图像中引人注意的目标，长期以来，心理学、神经系统学和计算机视觉等领域对视觉注意力进行了研究，研究表明人类的大脑和视觉神经系统会更加关注图像中的某些目标，这些目标就是显著性物体。显著性物体检测在图像应用的各个方面，包括图像检索、图像压缩以及图像浏览等，以及医学领域都有重要的理论意义和实用价值。
　　本文提出以图像分割为基础的显著性物体检测方法来检测显著性物体。论文首先分析了经典的三种显著性物体检测的模型和方法：Itti模型、Graph-Based Visual Saliency(GBVS)和Tie模型，这些方法在计算显著性特征时都是基于像素的；基于像素的显著性物体检测方法有两个主要缺点：其一，运算代价太高；其二，以像素为基础的特征一般都不能反映整体的显著对象，它们很可能在杂乱无章的背景下检测不到显著对象。其次，针对基于像素方法的上述缺点，在经典算法的基础上提出了本文的基于图像分割的(基于区域的)显著性物体检测方法，主要是采用了基于图像分割的多尺度对比差和基于图像分割的颜色直方图两个显著性特征，并将两个显著性特征线性组合，进而得到最终的显著性图，经过阈值处理提取出显著性物体；最后，通过实验仿真，给出了基于图像分割的显著性物体检测方法的显著性图和检测结果，并将基于图像分割的显著性物体检测方法与Itti算法和GBVS算法进行了对比。
　　实验表明，本文的方法在检测显著性物体时能够得到较好的效果，能够更加符合人类的视觉感知，并且在计算效率上有很大提高，大大减少了算法运行时间和计算复杂度。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.3 本文的研究内容

1.4 论文的组织结构

2 显著性物体检测的研究方法

2.1 Itti模型

2.2 GBVS模型

2.3 Tie模型

2.4 本章小结

3 基于图像分割的显著性特征计算与显著性图

3.1 图像分割

3.2 基于图像分割的多尺度对比差特征计算

3.3 基于图像分割的颜色直方图特征计算

3.4 基于图像分割的显著性图

3.5 本章小结

4 实验结果与分析

4.1 组合的显著性图

4.2 显著性物体的提取

4.3 实验结果分析

4.4 本章小结

5 总结与展望

5.1 论文总结

5.2 展望

致谢

参考文献