基于区域特征融合的显著目标检测研究

摘要

随着信息技术的高速发展，图像已经成为最主要的信息载体之一，图像数据的规模和复杂程度都在不断增加。面对大数据时代如此庞大的图像数据，如何高效地处理图像信息就成为图像处理领域中的研究热点。人类视觉系统能自动地选择复杂自然场景中的重要信息，这种优先处理重要信息的能力，就称为视觉注意机制。为了让计算机能模拟人类视觉系统处理图像信息，包括生理学、心理学以及计算机视觉领域的学者们付出了长期而又艰辛的努力，并提出了许多显著性的计算模型。基于视觉注意机制的显著目标检测技术在图像处理、人工智能、计算机视觉等多个领域具有重要的意义。
　　本文首先阐述了显著目标检测的研究意义，分析了该领域的研究现状，介绍了视觉注意生物机理和视觉注意建模的理论基础。
　　其次介绍了描述显著目标的几种视觉特征，包括颜色、深度、纹理、形状等特征，同时还分别归纳了提取这些特征的方法。详细介绍了微软的Kinect设备和RGBD显著目标图像库的构建。
　　然后提出了基于区域特征融合的RGBD显著目标检测算法。该算法是将图像的深度信息加入到包含局部和全局对比度的三种描述子中，进行区域的显著性计算。首先对图像进行多尺度的分割，然后通过对区域多类特征的学习构建回归随机森林，采用监督学习的方法赋予每个区域特征显著值；最后用最小二乘法融合这些多尺度的显著图。实验结果表明，本文算法能较准确地定位RGBD图像库中每幅图的显著目标。
　　最后对全文进行了总结和展望。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 显著目标检测研究的背景和意义

1.2 国内外现状及研究热点

1.3 需解决的关键问题

1.4 主要内容

第2章 视觉注意机制理论介绍

2.1 视觉注意的生物机制理论

2.2 初级视觉特征

2.3 自底向上视觉注意建模的理论基础

2.4 本章小结

第3章 显著目标的视觉特征描述

3.1 颜色特征

3.2 深度特征

3.3 纹理特征

3.4 形状特征

3.5 本章小结

第4章 基于区域特征融合的显著目标检测

4.1 算法基本原理

4.2 多尺度图像分割

4.3 区域显著性计算

4.4 多尺度融合

4.5 显著图分析

4.6 本章小结

第5章 实验结果与分析

5.1 检测结果图分析

5.2 检测指标分析

5.3 本章小结

第6章 总结与展望

6.1 全文总结

6.2 工作展望

参考文献

致谢

附录1

附录2