基于重启随机游走与多层次图模型的图像显著性检测方法研究

摘要

图像的显著性检测技术是计算机视觉领域和模式识别领域中一个十分重要且基础的问题，它的目的是为了定位图像中最吸引人注意或感兴趣的区域。对于输入的图像，检测到的显著区域往往包含图像的主要目标或者具有判别性的特征。因而，图像的显著性检测技术被广泛应用到计算机视觉处理工作过程中，如图像分割、图像检索和目标跟踪等。对图像的显著性检测方法的进一步研究有助于后续更高层次的图像处理过程。但是，目前的图像显著性检测方法在背景复杂的情况下检测的结果表现并不好。本文针对这个问题，从优化先验信息和利用多层次模型两个角度出发，提出了基于重启随机游算法的图扩散模型和基于多层次图的图扩散模型算法对图像进行显著性检测。
　　本文主要工作如下:
　　(1)对图像的显著性检测方法的发展历程进行了调研，着重研究了基于图的显著性检测方法和基于多尺度的图像显著性检测方法。基于此，介绍了几种经典的图像显著性检测方法，为后面的研究工作进行了铺垫。
　　(2)基于图的图像显著性检测算法依赖于先验信息的准确性，所以当图像背景复杂时，现有的图像显著性检测方法使用的背景先验信息检测到的显著结果并不理想。针对这一问题，提出一种基于重启随机游走的图扩散模型对先验信息进行优化，从而达到提高图像显著性检测结果目的。首先，分别计算图像的背景先验和前景先验信息。接着，进一步考虑图像的局部结构，对图像进行构图，然后将背景先验信息和前景先验信息在构建的图上进行图扩散，从而获的更加可靠、精准的背景度量与前景度量信息。然后，使用整合模型将背景度量和前景度量信息整合在一起，得到更加精确的显著值。最后，为了验证算法的有效性，将提出的算法在4个公共数据集上与现有的21种方法进行了比较。
　　(3)多尺度多分辨率分析是获得特征显著图时采用的最常用的方法。通过多尺度分辨率分析可以将图像不同层次的重要特征反应在不同分辨率的图像上，如较大的物体可以在低分辨率图像上进行分析，而图像细节则可在高分辨率图像上进行分析。考虑到多尺度多分辨率在图像处理中的优势，提出了基于多层次图扩散模型的图像显著性检测算法。首先，分别计算不同尺度下图像的背景先验信息和前景先验信息。接着，使用基于多层次图结构的重启随机游走算法对两种先验信息进行扩散，得到更为合理、准确的背景度量和前景度量。然后，将背景度量和前景度量整合，获得更精确的显著性估计。提出的多层次图扩散模型有一个重要的贡献，它能够将背景先验和前景先验同时且相互协作的在图上进行扩散，从而可以在图像的不同层次上共享并传达显著性线索。最后，为了验证提出算法的有效性，将提出的算法在6个公共数据集上与现有21种方法进行了比较。

目录

声明

摘要

1．1 研究背景与意义

1．2 图像显著性检测方法研究现状

1．3 本文的工作与内容安排

第二章 图像显著性检测方法概述

2．1 综述

2．2 Itti算法

2．3 GBVS算法

2．4 MR算法

2．5 SO算法

2．6 本章小结

第三章 基于重启随机游走图扩散模型的图像显著性检测

3．1 引言

3．2 基于重启随机游走算法的图扩散模型

3．2．1 重启随机游走算法

3．2．2 图扩散模型

3．3 图像显著性检测算法

3．3．1 图模型构建

3．3．2 背景先验的图扩散

3．3．3 前景先验的图扩散

3．3．4 显著值计算

3．4 实验与分析

3．4．1 实验设置

3．4．2 结果与分析

3．5 本章小结

第四章 基于多层次图扩散模型的图像显著性检测

4．1 引言

4．2 多层次图扩散模型

4．2．1 层内图扩散

4．2．2 层间图扩散

4．2．3 多层次图扩散

4．3 图像显著性检测算法

4．3．1 多层次图模型构建

4．3．2 背景先验的多层次图扩散

4．3．3 前景先验的多层次图扩散

4．3．4 显著值计算

4．4 实验与分析

4．4．1 数据集与实验设置

4．4．2 评估算子

4．4．3 结果与分析

4．5 本章小结

第五章 总结与展望

参考文献

致谢

攻读硕士学位期间发表的学术论文