复杂自然环境下感兴趣区域检测方法研究

摘要

感兴趣区域检测是图像处理领域的关键技术。人类视觉系统处理一个较为复杂的场景时，会先将其视觉注意力集中于该场景中的几个特定对象上，这些对象被称为感兴趣区域(Region of Interest，简称ROI)。在图像处理和分析过程中，感兴趣区域检测能够模拟人类视觉快速、准确抓住图像重点的特点，降低图像处理计算量，有效提高计算机信息处理的效率。因此感兴趣区域检测对于图像分析和理解有着重要意义。
　　本文提出了一种基于低层次图像信息与中层次图像信息相结合的自底向上的感兴趣区域检测方法。首先通过改进的Harris算子检测彩色图像的角点，进而包围角点得到凸包边界，从而定位图像的粗略显著区域;为了使感兴趣区域的边缘清晰并具有统一的高亮度，对图像的超像素进行K-means聚类，并通过凸包边界与聚类结果计算中层次信息粗略显著图。其次将图像从RGB空间转换到CIELab空间，l、a、b三通道分别通过高斯差分滤波器组滤波后得到低层次信息粗略显著图。最后融合低、中层次图像信息粗略显著图得到图像的显著图。在微软亚洲研究院提供的公开数据库MSRA上验证了本文方法的有效性，根据该数据库人工标记的真值评价本文方法的检测效果，并与其他的方法进行对比。实验表明本文检测出的显著物边缘清晰，本方法可有效抑制背景噪声而且具有普遍适用性，是一种有效的图像预处理方法。

目录

声明

摘要

第一章 绪论

1．1 复杂自然环境下感兴趣区域检测的研究背景及意义

1．2 图像显著度

1．3 显著度检测方法分类

1．4 显著度检测存在的问题

1．5 本文的主要工作及结构安排

第二章 相关方法研究

2．1 低、中、高层次图像信息

2．2 低层次图像信息感兴趣区域检测方法

2．2．1 Itti算法

2．2．2 Gbvs算法

2．2．3 Ca算法

2．2．4 Gb算法

2．2．5 Ft算法

2．3 中层次图像信息感兴趣区域检测方法

2．3．1 贝叶斯算法

2．4 本章小结

第三章 基于低、中层次图像信息相结合的ROI检测方法

3．1 感兴趣区域检测模型

3．2 中层次信息粗略显著图

3．2．1 Harris角点检测

3．2．2 彩色角点检测

3．2．3 凸包边界

3．2．4 超像素算法

3．2．5 中层次信息显著图

3．3 低层次信息粗略显著图

3．3．1 颜色模型转换

3．3．2 差分滤波器组

3．4 感兴趣区域显著图

3．5 本章小结

第四章 实验结果与分析

4．1 实验数据库

4．2 实验结果

4．2．1 实验结果主观分析

4．2．2 实验结果客观分析

4．3 本章小结

第五章 总结与展望

5．1 全文总结

5．2 后续研究工作展望

参考文献

发表论文和参加科研情况

致谢