基于部分吸收随机游走的协同显著性检测

摘要

随着多媒体技术不断进步，通过图像传递信息的方式得到了迅速发展，数字图像的处理成为了一个难题。显著性检测是在图像中发现感兴趣的目标区域，因为这些区域包含重要的信息并且能吸引人的视觉注意。然而，随着应用场景的不断变化和增加，仅对单幅图像的显著性检测已经不能满足检测图像目标的要求，近来，产生了在一组图像中检测显著性目标的算法，这被定义为协同显著性检测。协同显著性检测的目的是在多幅图像中发现共同显著的目标，相比于单幅图像的检测，它把在其它图像中凸显目标作为新条件，这增加了问题的难度。
　　考虑到协同显著性检测是直接源于对单幅图像的显著性检测，因此本文从单幅图像的显著性检测出发，利用基于图的检测模型先对单幅图像进行检测。与以往检测方法不同，本文首先用自扩散的方法优化图模型中的相似度矩阵，优化后的相似度矩阵能更好捕捉到图的内在结构。然后将部分吸收随机游走应用到显著性检测中，并将经自扩散优化后的相似度矩阵融入其中，这里我们用吸收概率衡量显著性。最后，考虑到协同显著性检测领域中两幅图和多幅图的检测存在差异，因此我们用两种不同的方法分别对多幅图像和成对的图像进行检测。在多幅图像中，我们以图像边界作为种子点，用自扩散部分吸收随机游走获得初始显著图，将得到的初始显著图阈值分割，利用协同显著目标的统计特性，在每幅图中选取协同种子点，最后在每幅图像中传播显著性。在两幅图的检测中，我们用多尺度获取代表图像间信息的前景相似概率，用吸收概率获取代表图像内信息的背景相似权重，最后用优化目标函数的方法将两种显著性线索融合到一起。
　　我们在几个公开的数据集上分别对文中的每一个算法的有效性进行测试，并和当前主流的一些算法进行比较。结果表明，我们的算法取得了良好的效果。

目录

声明

摘要

1 绪论

1．1 课题研究的背景及意义

1．2 国内外发展现状

1．3 技术难点

1．4 论文的主要工作和结构

2 基于图模型的检测原理

2．1 图模型的建立

2．1．1 超像素分割

2．1．2 图模型的表示

2．2 基于随机游走的显著性检测

2．2．1 遍历马尔科夫理论

2．2．2 显著节点检测

2．3 基于流行排序的显著性传播

2．3．1 流行排序理论

2．3．2 显著性衡量

2．4 本章小结

3 自扩散的部分吸收随机游走协同显著性检测

3．1 内容简介

3．2 相似度矩阵的自扩散

3．3 部分吸收随机游走显著目标检测

3．3．1 部分吸收随机游走理论

3．3．2 图模型中的吸收概率

3．3．3 显著性检测

3．4 多图的协同显著目标检测

3．4．1 阈值分割

3．4．2 协同种子点的选取

3．4．3 协同显著性检测

3．5 成对图像的协同显著目标检测

3．5．1 图像间的前景相似信息

3．5．2 图像内的背景相似信息

3．5．3 协同显著性融合

3．6 本章小结

4 实验结果与分析

4．1 评价的准则和参数设定

4．2 相似度矩阵自扩散的有效性

4．3 单图的不同算法的比较

4．4 协同显著性算法比较

4．4．1 图像对的协同显著性算法比较

4．4．2 多幅图像的协同显著性算法比较

4．5 算法失败的例子

4．6 本章小结

结论

参考文献

致谢