基于分类思想的图像显著区域检测

摘要

近年来，通过视觉显著区域检测来获得图像中的感兴趣区域，已经成为计算机视觉领域的热门之一。感兴趣的区域即为显著性的区域，而对显著区域进行识别最为有效的方法则是建立一套视觉注意模型。通过以往的研究发现，视觉注意模型的建立通常离不开视觉注意机制，而视觉注意机制又可以分为两种不同的方法:自下而上的视觉注意以及自上而下的视觉注意。自下而上的注意是由数据驱动，是受底层信息所影响的;而自上而下的注意则是任务驱动的，是受高层语义信息影响的。
　　现有的显著区域检测方法往往只包含一种视觉注意机制，使得检测结果与人眼真实看到的存在一定的差距，针对这种问题，本文结合自下而上和自上而下两种视觉注意机制，建立一套自己的视觉注意模型，主要工作包括:
　　(1)分析了经典的Itti算法提取图像特征的优缺点，提出了结合自下而上和自上而下两种视觉注意机制对图像进行特征提取的方法。在自下而上的视觉注意中，提出了使用之前没有应用到显著区域检测领域的Dense Sift方法进行特征提取，并将该方法得到的特征加入到分类器中进行训练，分析实验结果，验证使用Dense Sift方法进行显著性检测的可行性。在自上而下的视觉注意中，通过进行眼动实验获取图像的眼动数据，经过高斯卷积等操作得到ground truth显著图，在图像中选取正负样本点加入到分类器中进行训练学习。
　　(2)提出了基于Dense Sift和Adaboost方法的DENSA模型进行图像显著区域检测。针对现有的Adaboost分类器方法进行实验分析，使用Modest Adaboost方法作为最终强分类器，将经过眼动实验得到的正负样本点和相对应特征加入到分类器中进行训练，得到最后的DENSA模型。通过与线性SVM及其它11种现有显著性模型的对比实验验证了DENSA模型进行显著区域检测的优势。
　　(3)在本文的后续延伸实验中，本文尝试使用深度学习的方法提取图像卷积层特征进行显著区域检测，将神经网络卷积层特征进行上采样后得到原图大小的特征图，再进行后续相关操作，并且通过相关实验也验证了该方法的可行性。

目录

声明

致谢

摘要

1．1 研究背景及意义

1．2 国内外研究现状

1．3 论文主要工作

1．4 论文组织结构

2 相关理论基础

2．1 视觉注意机制

2．2 图像特征提取

2．3 分类器介绍

2．3．1 SVM支持向量机

2．3．2 神经网络

2．3．3 Adaboost分类器

2．4 典型方法介绍

2．4．1 Itti方法

2．4．2 LC方法

2．4．3 GB方法

2．4．4 RC方法

2．5 本章总结

3 基于自下而上和自上而下的特征描述

3．1 自下而上的特征提取

3．1．1 Itti特征提取

3．1．2 Sift特征描述子

3．1．3 Dense Sift特征密集提取

3．2 自上而下的特征提取

3．2．1 手动标注

3．2．2 眼动实验

3．3 实验数据集

3．4 对比实验

3．5 本章总结

4 基于Dense Sift和Adaboost的分类显著检测模型

4．1 DENSA模型

4．1．1 模型框架

4．1．2 特征提取

4．1．3 分类器选择

4．2 显著性检测标准

4．2．1 相关系数

4．2．3 ROC曲线

4．3 对比实验与分析

4．3．1 Itti特征+线性SVM

4．3．2 DENSA模型

4．3．3 其它经典方法对比

4．4 本章总结

5 图像显著区域检测的应用延伸实验

5．1 图像卷积计算过程

5．2 提取图像卷积层特征

5．3 本章小结

6．1 本文工作总结

6．2 下一步工作展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集