超大畸变图像显著性信息检测方法及研究应用

摘要

鱼眼镜头相较普通镜头而言具有更大的观测角，所拍摄的图像蕴含有更为丰富的图像信息，这种优势使得它被广泛应用于各个领域。对鱼眼镜头图像中的显著性目标提取可以缩小图像内容处理范围，减少分析时间。显著性检测算法作为一种高效的图像预处理算法，是依据人眼视觉注意机制特点以高亮图像中视觉显著性目标的形式实现对信息有效处理。由于鱼眼镜头图像带有严重的非线性畸变，现有显著性检测算法难以实现对超大畸变鱼眼镜头图像中显著性信息的准确检测，而对鱼眼镜头图像进行畸变矫正又会造成信息丢失，破环图像原有集合，所以本文旨在寻求适用于未矫正鱼眼镜头图像的显著性信息检测算法，对超大畸变图像显著性目标信息进行准确提取，从而提高图像中有效信息的使用效率。论文主要内容包括：
　　1、依据自底向上的视觉注意机制，对现有的显著性检测算法加以改进，增加底层特征的信息提取，兼顾未校正鱼眼镜头图像中的全局特征和局部特征，同时选取K-medoids聚类方法对图像的底层信息特征进行聚类分析，再通过计算基于聚类级别的底层特征显著性测度，完成对鱼眼镜头图像的静态显著性信息检测。
　　2、在超大畸变图像静态显著性检测算法的基础上，利用协同显著性检测的概念，通过对多幅图像之间的关联性信息进行构建，并增加图像关联性测度，构建超大畸变图像动态协同显著性检测算法，提高显著性检测算法在连续鱼眼镜头图像、显著性目标畸变程度大和复杂背景图像等情况下的准确性，
　　3、选取查准率、查全率及F测度显著性检测性能指标，对本文算法及现有算法实验结果进行定量数据分析，验证算法准确性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1论文背景与意义

1.2国内外研究现状

1.3鱼眼镜头图像显著性检测难点及意义

1.4论文研究的主要内容及各章节安排

第二章 超大畸变图像显著性检测相关技术

2.1超大畸变图像特点

2.2实验系统平台介绍

2.3显著性检测方法对比研究

2.4超大畸变图像显著性检测算法

2.5本章小结

第三章 超大畸变图像静态显著性检测

3.1图像底层信息概述

3.2图像全局特征

3.3图像局部特征

3.4鱼眼镜头图像聚类分析

3.5鱼眼镜头图像底层特征显著性测度计算

3.6本章小结

第四章 超大畸变图像动态协同显著性检测

4.1超大畸变图像动态协同显著性检测意义

4.2协同显著性信息构建

4.3 关联性测度计算

4.4测度融合

4.5超大畸变图像动态协同显著性检测算法实际应用

4.6本章小结

第五章 算法实验及评价标准

5.1评价指标

5.2算法实验对比及检测结果数据分析

5.3本章小结

第六章 总结与展望

6.1本论文的工作总结

6.2未来工作展望

参考文献

发表论文和科研情况说明

致谢

附录A部分程序代码

附录B 程序运行截图