基于压缩域的视觉显著性检测及其应用研究

摘要

采用现有的基于像素域的图像/视频显著性检测算法，往往需要先将压缩的图像/视频进行完全解码，这无疑增加了算法的计算复杂度。目前绝大部分的图像/视频内容采用离散余弦变换（discrete cosine transform，DCT）技术来实现压缩编码，若采用DCT变换后的压缩域数据进行视觉显著性检测，能够明显地减少算法计算复杂度，有利于检测算法在资源受限的移动终端中应用。因此，基于压缩域的视觉显著性检测是一个值得深入研究的课题。本文在研究基于压缩域的图像显著性检测算法的基础上，着重研究了基于压缩域的显著性检测在图像缩放的应用，以及基于压缩域的视频运动显著性检测算法，取得的研究结果如下:　　提出了一种基于压缩域的视觉显著性检测的图像缩放算法。该算法利用压缩域的视觉显著性检测算法获取视觉显著图，然后提取显著区域获得能量分布图并结合视觉显著图形成累积能量图，由此确定最佳裁剪路径进行线裁剪，实现了图像的缩放。利用针对图像缩放的公共数据库进行实验测试，结果表明，本文算法不仅整体主观效果明显比现有算法的主观效果好，而且质量指数也比现有算法的质量指数平均提高了8.99％。　　提出了一种基于压缩域的视频运动显著性检测算法。该算法直接从压缩的视频流中获取预测帧中每个8×8块的运动矢量，并利用这些运动矢量提取运动特征。根据运动矢量值分别计算运动强度图，以及利用各向异性的高斯分布函数计算运动中心周围差异图，采用不确定权重系数的规则将两者融合获得运动显著图。运动显著图可与静态显著图融合成最终的视频显著图。本文采用标准测试序列数据库的视频数据进行实验测试，并根据接受者工作特征(receiver operating characteristic，ROC)曲线下面积(areaunder curve，AUC)和F-measure(信息检索领域常用的评价标准)对算法性能做出定量评估。结果表明，与现有算法相比，本文算法所获得的运动显著图和融合显著图的主观效果较为显著，而且运动显著图的AUC和F-measure值平均提高了11.7％和11.4％，融合显著图的AUC和F-measure值分别平均提高了4.3％和25.7％。

目录

声明

摘要

1 绪论

1．1 研究背景及意义

1．2 视觉显著性检测算法研究现状

1．2．1 图像显著性检测算法

1．2．2 视频显著性检测算法

1．2．3 视觉显著性检测在图像缩放的应用

1．3 本文研究工作与章节安排

2 基于压缩域的视觉显著性检测及其在图像缩放的应用

2．1 相关研究工作

2．2 基于压缩域的图像显著性检测

2．2．1 JPEG码流部分解码

2．2．2 提取颜色、亮度和纹理特征

2．2．3 计算基于压缩域的图像显著图

2．2．4 性能分析

2．3 基于压缩域显著性检测的图像缩放算法

2．3．1 算法框架

2．3．2 提取图像显著区域

2．3．3 基于块的线裁剪

2．4 实验结果及分析

2．4．1 主观结果比较

2．4．2 客观结果比较

2．4．2 算法复杂度比较

2．5 本章小结

3 基于压缩域的视频运动显著性检测

3．1 相关研究工作

3．2 算法框架

3．3 视频运动显著性检测

3．3．1 从压缩码流中提取特征

3．3．2 运动显著性检测

3．3．3 运动显著性与静态显著性融合

3．4 实验结果及分析

3．4．1 主观结果比较

3．4．2 客观结果比较

3．4．3 算法复杂度分析

3．5 本章小结

4 结束语

4．1 全文总结

4．2 工作展望

参考文献

致谢

攻读硕士学位期间取得的成果