基于传播与投票机制的显著性检测方法研究与实现

摘要

人类有一种惊人的能力，能够在场景中对最感兴趣的目标进行视觉定位。这种能力被称为视觉注意力，是目前神经科学和计算机视觉的一个研究热点。在计算机视觉领域，它主要包括三个方面的研究内容:眼动预测，显著性物体检测，以及似物性采样。本文主要聚焦显著性物体检测，即检测一幅图像中最显著的物体或区域，目前这是一个非常具有挑战的研究课题。随着显著性检测研究的发展，显著性检测在图像分割、图像识别、视频跟踪、图像分类和图像检索等领域得到了广泛地应用。
　　近年来随着显著性检测应用需求的增长，许多显著性传播方法也层出不穷地提出。这些显著性传播方法在检测背景简单图像时能达到较好的显著性检测结果。然而，在处理复杂背景的图像时仍然面临挑战。为了解决这个问题，本文首先提出了一个简单而有效的自底向上的显著性检测模型，该方法融合了弱显著性检测模型和强显著性检测模型，取得了较好的实验结果。本文还提出了一种简单高效的融合方法，可以进一步提升检测性能。本文的主要研究工作及创新点如下:
　　第一，本文通过引入空间分布先验和高辨别力的相似性度量，提出了一种简单有效的基于背景先验的显著性检测方法。其中空间分布先验用于得到更加准确可靠的背景种子，高辨别力的相似性度量用于区分复杂场景中高度相似的显著性物体和背景。
　　第二，本文提出一种基于节点先验的显著性传播方法。通过在流形排序中引入节点先验来减少背景区域的错误传播。具体过程是使用相似性度量来计算基于背景的粗的显著性图，通过引入均衡分布作为先验来去除图像边界的前景噪声。基于流行排序，通过设置适当的节点，构建一个强大的显著性传播机制来突出前景对象，同时抑制背景区域。该方法也能用于其他显著性传播方法来提升它们的性能。此外，为了得到光滑的显著性图，本文还采用了Sigmoid函数和快速双边滤波对传播后的检查结果进行优化处理，优化后的结果在视觉效果上更加接近真值标注。
　　第三，本文提出一种基于硬票机制的显著性融合方法。现有方法在处理不同图像时往往互有优劣，现有文献也表明许多方法之间具有互补特性。因此，本文采用硬投票机制来捕获这一互补特性，以进一步提升显著性检测性能。首先选取世界先进的五种显著性检测方法，将这些检测方法的检测结果作为输入图像。然后采用贝叶斯方法，对各个方法得到的显著性图进行更新，以提升各个方法的检测效果。每幅显著图可以被看成是一个投票者，根据大津算法设置一个参考阈值，当显著图的显著性值大于阈值时，投票者投票为(1)，当显著图的显著性值小于阈值时，投票者投票为(-1)。将投票结果进行加权相加即得到最终的显著性融合结果。
　　大量的实验结果表明，本文所提出的方法用现有的五个公开数据集进行测试，在PR(Precision-Recall)曲线、F-measure、MAE(Mean Absolute Error)以及AUC(Area UnderROC)评价指标方面，与十五个世界先进的方法相比较，均体现出优异的性能。此外，本文所提出的相似性度量和节点先验也可以应用于现有的其他显著性传播模型中，可有效地提高传播模型的显著性检测性能。通过本文的融合方法还可进一步提升检测性能，得到显著物体更加完整，因而可以为后续的图像分割、物体检测等应用提供便利。

目录

摘要

1．1 研究背景及意义

1．2 国内外研究现状

1．3 显著性概念及机理

1．3．1 基本概念

1．3．2 视觉显著性产生机制

1．3．3 视觉显著性计算模型

1．4 本文内容安排

1．5 本章小结

2．1 引言

2．2 马尔科夫模型

2．2．1 吸收马尔科夫模型

2．2．2 遍历马尔科夫模型

2．3 流形排序

2．4 本章小结

3．1 引言

3．2 显著性检测方法

3．2．1 高辨别力的相似性度量

3．2．2 空间分布引导的背景先验

3．2．3 基于节点先验的显著性传播

3．2．4 显著性修正

3．3 实验分析

3．3．1 参数及评价准则

3．3．2 量化结果比较

3．3．3 视觉效果比较

3．3．4 运行时间

3．3．5 不足及分析

3．4 本章小结

4．1 引言

4．2 显著性融合方法介绍

4．2．1 线性融合

4．2．2 非线性融合

4．2．3 贝叶斯融合

4．3 硬投票融合机制

4．4 实验结果及分析

4．4．1 数据集介绍

4．4．2 性能指标比较

4．4．3 融合结果比较

4．5 本章小结

5．1 本文工作总结

5．2 对未来的应用展望

参考文献

致谢

研究生期间发表论文及参加项目情况

声明