基于超像素的全局显著性区域检测

摘要

显著性分析模型，能够仿真生物视觉系统，提取出图像中最引人注意、最能代表图像内容的显著部分。它作为很多计算机视觉问题的基础处理步骤，具有重大的研究意义和广阔的应用前景。高效高质量的显著性分析模型可以为核心区域锁定及追踪、对象分析、场景描述、前景敏感的图像检索与编辑等抽象出可靠的完备数据;可以合理恰当地分配图像分析与处理所需的计算资源;也可以反过来加深我们对人类视觉系统工作原理的认知和理解。
　　 根据实现机理不同，当前图像显著性分析模型可大致分为三类:生物体视觉仿真类，纯数学计算类和两者融合类。本文选取10种极具代表性的方法进行研究，它们涵盖上述多个类别，涉猎该领域最新的研究成果，且被引用多次。本文给出了显著性分析问题的一般解决方案，共分为筛选图像特征、计算图像基本单元显著性和后处理三个环节，并概括性地总结了各个过程较为有效的处理方法，介绍了各自的处理对象和处理方式。基于以上研究可以发现，今天显著性分析依旧是待解决的热点问题，有必要作进一步探索。
　　 提升显著性分析算法的性能可以依据以下三点，一是尽可能减少比较次数来提高速度，二是综合考虑多种因素来更科学地度量显著性，三是引入恰当的后处理步骤来增强检测效果。
　　 本文设计了一种新的超像素聚类方法HAIC（Hexagonally Arranged IterativeClustering），为图像显著性分析问题引入了恰当的预处理步骤，解决了显著性全局分析效果虽好但计算耗费过大的问题。HAIC方法在CIELAB色彩空间和平面空间聚类像素，能在线性时间复杂度内将输入自然图像的处理粒度更新为尺度均匀、邻接关系优良、颜色边缘贴合的高质量超像素。
　　 本文进一步提出了一种新的显著性分析模型SGC(Superpixel GlobalContrast)。它采用HAIC方法进行预处理高效划分图像，后续显著性分析都是基于预处理中产生的超像素的，所以速度很快。本文关注的是全局对比度，采用了简单高效的评估方式欧氏距离，并将对比度衡量对象集合中的元素减少到两个，颜色差异及平面接近程度，它们不仅可以被直观地定义，而且能够计算出高精度的显著性值。再引入POO算法（Pivotal Object Outstanding），来进一步加工过程显著性图，强化其中的核心目标物体，增强检测效果。相较于前面提到的其他十种显著性分析模型，SGC生成的显著性图质量更高，所用的平均检测时间更短，性能更好。
　　 本文将生成的显著性图像应用于很多有意思的应用。再现了一些经典应用模型，如遍历阈值提取;改进了一些有代表性的应用模型，如前景优化提取;设计了一些新的应用模型，如前景敏感缩放。并通过大量实验测评，展现了SGC显著性分析模型出色的性能和极佳的通用性及实用性。

目录

声明

摘要

第1章 绪论

1．1 课题背景及研究意义

1．2 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 显著性区域检测的经典方法

2．1 引言

2．2 经典方法介绍

2．2．1 IT模型

2．2．2 MZ模型

2．2．3 GB模型

2．2．4 AC模型

2．2．5 LC模型

2．2．6 HC模型

2．2．7 RC模型

2．2．8 FT模型

2．2．9 SR模型

2．2．10 CA模型

2．3 显著性分析的一般解决方案

2．4 小结

第3章 基于超像素的全局显著性区域检测方法

3．1 引言

3．2 超像素聚类方法HAIC

3．2．1 排布种子点

3．2．2 迭代搜寻匹配像素

3．2．3 确保连通性

3．3 基于超像素的全局显著性分析方法

3．3．1 全局显著性分析

3．3．2 核心物体聚焦

3．3．3 性能比较

3．4 小结

第4章 显著性分析应用研究与实验

4．1 引言

4．2 核心区域锁定

4．3 前景提取

4．3．1 遍历阈值提取

4．3．2 优化提取

4．4 前景敏感缩放

4．5 小结

第5章 总结与展望

5．1 总结

5．2 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