基于深度学习和图像分割的显著性检测系统设计与实现

摘要

显著性检测是图像分析领域重要的研究内容。近年来，作为计算机视觉领域一项重要的预处理步骤，吸引了大量学者的注意。显著性检测技术在物体跟踪与识别、图像压缩与检测、视频检索与检测等领域有着广泛的应用。从人类的感知角度来看，图像的特征可以由三种不同的层次来表示:低级、中级、高级特征。其中低级特征包含图像的底层信息，如颜色，纹理等。中级特征往往包括对象信息，以及形状和空间信息等。相比之下，高级特征往往包含对象内在的语义信息。实质上显著性检测与上述图像三个层次的特征都有关。因此，如何有效地整合上述的特征进行目标显著性检测是解决问题的关键。 当前，常用的显著性检测方法主要围绕自顶向下和自底向上两种视觉机制展开。自底向上的方法是从区域的颜色，纹理等大量的底层特征出发，可以有效的检测图像的细节信息，但不能检测全局信息。相反，自顶向下的方法则是针对训练样本中具有代表性的特征进行处理，能检测某些固定大小以及类别的目标。但是自顶向下方法的检测结果可能比较粗糙，缺少细节信息。虽然该领域已经出现了很多经典的算法，但是想要开发一种有效的显著性目标检测算法仍存在较大的难度和挑战。 首先，为了解决以像素点为单位分割的庞大计算量，采用的预处理方法为SLIC 超像素算法，将图像由像素级转化为区域级。然后对单个超像素区域进行特征提取，将预训练好的VGG模型作为特征提取器，并且提取对应超像素区域Lab颜色特征，分别构建相似度矩阵。再通过社团划分方法，对图像进行自适应分割。 其次，在 Caffe 框架下，通过微调 VGG 模型，得到自顶向下的深度显著性检测模型。利用基于社团划分的图割方法进行自底向上显著性检测，采用图割方法细化图像的边界。再将两种模型相结合得到最终的显著性模型。 本文的研究内容主要包含三个方面： (1)系统介绍了图像分割算法的基本原理与拓展应用，并针对目前以像素点为单位分割的庞大计算量问题，提出一种结合深度学习特征和社团划分的自适应图像分割方法。 (2)阐述了显著性检测的原理以及典型的显著性检测方法，并针对现有方法的不足，提出了一种基于深度学习和图割融合的图像显著性检测方法。 (3)通过 MATLAB 工具设计并实现了一种包含图像分割和图像显著性检测两个功能模块的软件系统。该系统能够对任意输入的图像进行图像分割得到感兴趣区域。也能对输入的图像划分为不同的区域，计算显著值得到显著图。最终，利用相关评价指标的方式对分割图和显著图的性能进行评判。

目录

第一个书签之前