基于多尺度机器学习和稀疏表示的显著性检测

摘要

随着社会的进步和人类生活方式智能化地转变，计算机视觉被广泛应用到军事、航天、航海乃至人们的日常生活中的方方面面。迫切的市场应用需求推动着这项理论研究的不断革新和发展。而在计算机视觉中，显著性检测就是模拟大脑的视觉信号处理分析过程，找出图像信息中最感兴趣最显著的部分。本文旨在普遍提高显著性检测智能识别显著区域的精确度。
　　本研究首先采用单一尺度上的随机森林模型对训练图集进行特征学习，以获得分类器模型，进行测试实验获取图像的前后景显著性分类结果。同时，为了增强对图像显著目标的轮廓和细节的描述，引入了多尺度学习的概念，用以提高分类器模型的准确度。两次测试实验的结果表明，多尺度随机森林学习的显著性检测结果相比较单一尺度的检测结果性能得到了明显的提高，但是从客观的图像评价指标数据结果上看并不理想，所以该算法需要进一步优化。然后，在稀疏表示法的基础上结合机器学习的结果进行优化。其一，在稀疏表示算法上引入罚函数，架构起加权稀疏表示模型。其二，针对不同的字典类型进行重构，不断迭代计算得到最优解，转化成最终的显著性图谱。其中，背景字典的初始值是引入了机器学习得到的显著性检测结果的分类标记。经过测试实验，分析得到该算法自身具备优化性能。此外，针对不同类型的图像数据集，本算法对比了其他9种优秀算法的显著性检测结果，从主观、客观两方面就实验结果进行了详细的分析。进一步证明，本算法具有优良的显著性检测性能表现。并且对于实验效果，进行了客观、详细的分析，对进行进一步研究优化提出了合理的建议。最后，对全文进行总结和展望。

目录

声明

摘要

第1章 绪论

1．1 显著性检测的背景和意义

1．2 国内外研究现状

1．3 主要工作

1．4 论文结构

1．5 本章小结

第2章 基本理论和技术基础

2．1 视觉注意机制

2．1．1 自底向上的视觉注意机制

2．1．2 自顶而下的视觉注意机制

2．2 显著性图谱概述

2．3 图像质量评价指标

2．3．1 精确率和召回率

2．3．2 F值

2．3 颜色空间模式

2．3．1 RGB颜色空间模式

2．3．2 Lab颜色空间模式

2．3．3 HSV颜色空间模式

2．3．4 OPP颜色空间模式

2．4 SLIC超像素分割

2．5 本章小结

第3章 基于多尺度机器学习的显著性检测

3．1 算法系统框图

3．2 超像素特征提取

3．2．1 位置特征

3．2．2 颜色特征

3．2．3 形状特征

3．2．4 纹理特征

3．3 随机森林模型

3．3．1 训练学习过程

3．3．2 多尺度机器学习

3．3．3 测试实验

3．4 本章小结

第4章 基于加权稀疏表示的显著性检测算法

4．1 算法系统框图

4．2 稀疏表示法

4．3 加权稀疏表示模型

4．4 字典构造

4．4．1 非显著性背景字典的构成

4．4．2 显著性背景字典的构成

4．5 测试实验

4．6 算法对比实验

4．6．1 对比算法概述

4．6．2 图像数据集

4．6．3 实验结果及分析

4．7 本章小结

第5章 总结与展望

5．1 总结

5．2 展望

致谢

参考文献

攻读硕士学位期间发表的论文

攻读硕士学位期间参加的科研项目