基于显著性检测的人体轮廓提取问题研究与应用

摘要

当今社会，科技日新月异，海量的图像和视频数据遍布网络，丰富了人们的文化生活，增长了人们的见识。为了深度挖掘图像中隐藏的信息，正确理解周围的环境，快速捕捉到图像的主要内容，图像显著性区域检测技术应运而生。
　　图像显著性区域往往是最引起人们注意的部分，它包含了一副图像的绝大部分信息，因此，检测显著性区域对于图像的分析、处理具有重大意义。显著性检测技术具有十分广阔的应用背景，通常，该技术可以用在目标识别，图像分割，图像检索等领域中，一种快速、有效的显著性区域检测方法将推动这些领域的进一步发展。
　　目前存在着多种多样的显著性检测方法，主要分为两个大方向:基于局部对比度的方法和基于全局对比度的方法。前者利用邻域信息求解显著性，由于该方法只关注了图像中相邻区域的信息，没有考虑全局的影响，只能部分高亮显著性区域，且对于背景复杂的图像处理效果欠佳。而后者则充分分析、考虑了图像整体的关系及结构，任一部分的显著性大小是通过其与整幅图像的差异来定义的，因而可以较准确地高亮完整的显著性部分，但是实现过程相对较复杂。为了解决上述问题，更好的检测方法亟待提出，以推动图像研究领域的发展。
　　显著性检测方法不仅可以较好地适用于自然图像的检测，还可以用于医疗项目中以获取人体图像的轮廓。在医疗项目图像信息采集模块中经常需要拍照，提取人体的轮廓，勾勒出患病区域，以便于疾病的后续治疗。以往的人体轮廓的提取主要是用区域增长的方法，首先需要设置扩散种子点的位置，种子点不断地向外扩散，生成面积越来越大，直到不再增长为止，最终得到显著性区域的轮廓。这种方法简单、易懂，但是易受人为主观因素的作用，最初种子点位置设定的不同对最终的结果有很大的影响。然而，很容易发现，医疗项目中通过拍照采集到的人体图像中最主要的物体是人，人是图像中显著性的物体。因此，为了弥补区域增长方式的不足，本文另辟蹊径，从显著性检测的角度出发解决该问题。最终，将人体轮廓的提取操作巧妙地转化成了显著性的检测过程。
　　通过对图像相关知识的不断学习与思考，本文创新性地提出了两种较优的显著性检测方法来提取人体轮廓:
　　1.基于超像素划分的图像显著性区域轮廓提取算法。
　　该方法首先利用超像素提取方法得到过分割图，然后在该过分割图的基础上根据颜色，显著性和梯度值的信息定义一种新的过分割区域相似性度量，利用该相似性度量进行过分割区域的动态合并，最终得到显著性物体的轮廓。
　　2.鲁棒的图像显著性区域轮廓自动提取算法
　　该方法首先进行图像的背景检测得到图像的边界连通性值，然后使用基于H-SLIC方法的SC方法得到图像的显著性图，最后使用得到的图像的边界连通性值和显著性图的显著性值作为图割方法区域项的输入，自动地进行图像分割，最后输出背景和前景的分割结果，此时显著性的物体便也清晰可见了。
　　实验结果表明，这两种显著性区域检测方法能够较好地提取出人体图像的轮廓，并且该方法简单，易懂，可操作性强，可用于医疗等项目中，帮助患者治疗疾病，造福千家万户。

目录

声明

摘要

第1章 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．3 本文主要工作和创新点

1．4 本文组织结构

第2章 显着性检测及区域轮廓提取

2．1 引言

2．2 图像显著性基础知识

2．2．1 显著性的概念

2．2．2 显著性检测的经典方法介绍

2．3 超像素理论基础

2．3．1 超像素的概念

2．3．2 超像素聚类方法SLIC

2．3．3 超像素聚类方法H-SLIC

2．3．4 基于H-SLIC的显著性检测方法SC

2．4 显著性检测的其他方法介绍

2．4．1 动态区域合并算法

2．4．2 基于能量的图割方法

2．4．3 基于鲁棒的背景检测的显著性优化方法

2．5 小结

第3章 基于超像素划分的图像显著性区域轮廓提取算法

3．1 引言

3．2 算法基本思想

3．3 算法主要步骤

3．3．1 H-SLIC超像素分割图像

3．3．2 过分割区域动态合并

3．4 核心算法描述

3．5 实验结果

3．6 小结

第4章 鲁棒的图像显著性区域轮廓自动提取算法

4．1 引言

4．2 算法基本思想

4．3 算法主要步骤

4．3．1 计算超像素的边界连通性值

4．3．2 显著性区域自动分割

4．4 核心算法描述

4．5 实验结果

4．6 小结

第5章 显著性检测算法在医学可视化系统中的应用

5．1 引言

5．2 可视化系统介绍

5．3 人体轮廓提取模块分析与测试

5．4 人体轮廓提取模块设计与实现

5．5 基于轮廓提取的三维模型重建

5．6 小结

第6章 总结与展望

6．1 工作总结

6．2 研究展望

参考文献

致谢

攻读学位期间发表的学术论文目录

攻读学位期间参与科研项目情况