基于對(duì)比度的視覺(jué)顯著性研究.pdf

1、當(dāng)需要深入分析復(fù)雜的視覺(jué)場(chǎng)景時(shí),視覺(jué)系統(tǒng)會(huì)根據(jù)高對(duì)比度刺激來(lái)準(zhǔn)確判斷顯著性目標(biāo)。這種具有選擇特性的視覺(jué)注意力機(jī)制能夠突破信息處理瓶頸,幫助快速、高效地篩選輸入的感知信息。通過(guò)研究視覺(jué)顯著性,不僅可以了解人類大腦初級(jí)視覺(jué)皮層的工作原理,而且可以將其應(yīng)用于計(jì)算機(jī)視覺(jué)與圖像處理,降低計(jì)算復(fù)雜度和節(jié)省資源。
　　本文分析現(xiàn)有的優(yōu)秀顯著性模型的優(yōu)缺點(diǎn),并且在此基礎(chǔ)上針對(duì)這些顯著性模型普遍存在的局限和不足,結(jié)合特征整合理論,尺度空間理論,顏色

2、模型以及Matting等圖像處理技術(shù),主要對(duì)基于對(duì)比度的顯著性檢測(cè)方法展開深入研究,重點(diǎn)圍繞紋理、顏色以及空間分布的特征對(duì)比度,提出四種面向純計(jì)算的顯著性模型。準(zhǔn)確率和召回率,絕對(duì)平均誤差等實(shí)驗(yàn)證實(shí),本文所提出的四種顯著性模型均表現(xiàn)出優(yōu)越性能。本文的主要貢獻(xiàn)包括以下四個(gè)方面:
　　(1)第三章根據(jù)紋理和顏色對(duì)比度,提出基于HOG和顏色的顯著性模型:1)通過(guò)分析HOG的空間分布方差來(lái)提取顯著性目標(biāo)邊緣和其內(nèi)部的復(fù)雜紋理區(qū)域;2)通過(guò)

3、分析顯著基元的顏色相似性和空間分布來(lái)描述輸入圖像在顏色方面的顯著特性。實(shí)驗(yàn)表明,該顯著性模型能夠有效檢測(cè)顯著性目標(biāo)邊緣和其內(nèi)部的復(fù)雜紋理區(qū)域,較為完整地突出顯著性目標(biāo)。
　　(2)第四章借鑒第三章所提出的顏色對(duì)比度測(cè)量方法,提出基于尺度空間的顯著性模型:1)應(yīng)用尺度空間理論在各尺度層上測(cè)量顯著基元的顏色對(duì)比度,在粗糙尺度空間上保持顯著性目標(biāo)的完整性,在精細(xì)尺度空間上抑制顯著性目標(biāo)邊緣模糊;2)提出一種簡(jiǎn)化的線性加權(quán)中央-周圍環(huán)繞算

4、子,增強(qiáng)且均勻突出顯著性目標(biāo)區(qū)域。實(shí)驗(yàn)表明,該顯著性模型能夠均勻高亮完整的顯著性目標(biāo),銳化顯著性目標(biāo)邊緣以及抑制背景,顯著提高準(zhǔn)確率和召回率。
　　(3)第五章考慮到CIE Lab和RGB顏色模型對(duì)顯著性檢測(cè)的貢獻(xiàn)不同,提出基于雙顏色模型的顯著性模型:1)在CIE Lab和RGB顏色模型上重建基于尺度空間的顯著性模型;2)提出一種基于熵值分布的非線性融合方法來(lái)提取最終顯著性圖像。實(shí)驗(yàn)表明,該顯著性模型能夠彌補(bǔ)單一顏色模型在顯著性檢

5、測(cè)過(guò)程中的局限性。
　　(4)第六章引入最優(yōu)尺度空間分析,提出基于Matting的顯著性模型:1)矯正在當(dāng)前尺度空間上的顯著性圖像;2)引導(dǎo)在高階尺度空間上的顯著性檢測(cè)。實(shí)驗(yàn)表明,該顯著性模型能夠整合最優(yōu)尺度空間分析,保護(hù)顯著性目標(biāo)和抑制背景。
　　第七章對(duì)本文研究?jī)?nèi)容進(jìn)行總結(jié)和展望,并且對(duì)所提出的四種顯著性模型的綜合性能進(jìn)行橫向比較。實(shí)驗(yàn)表明:1)本文所提出的基于尺度空間的顯著性模型,基于雙顏色模型的顯著性模型,以及基于M