基于無監(jiān)督摳圖模型的顯著性區(qū)域提取算法研究.pdf

1、對自然場景中高視覺顯著度區(qū)域的提取和識別一直是計算機視覺、圖像理解中的研究熱點,在目標識別、基于內(nèi)容的多媒體信息檢索等領域,也具有廣泛的應用價值。傳統(tǒng)的區(qū)域邊緣提取主要有兩類,即基于Bottom-up的圖像分割方法和基于Top-down的圖像分割方法。Bottom-up的分割方法可以標出圖像中色彩或灰度變化劇烈的“邊緣”,但是對“噪聲點”敏感,并且沒有充分考慮到人眼視覺注意力選擇機制的指導,因此Bottom-up方法容易導致目標區(qū)域“過

2、分割”、“錯分割”的問題。Top-down可以較好的分割出目標區(qū)域信息,但是需要先驗信息指導,當面對較復雜的自然場景時就顯得力不從心。如何在自然場景中準確提取顯著性區(qū)域的位置與邊緣信息是本文的研究點。
　　為了解決上述問題,本文首先提出了一種無監(jiān)督摳圖模型,然后基于該模型對圖像顯著性區(qū)域進行提取。根據(jù)不同場景中前景目標特征實現(xiàn)對高顯著性區(qū)域目標邊緣的準確提取,降低圖像分割中對“噪聲點”的敏感度,減小對先驗指導信息的依賴,具有較好的

3、魯棒性。本文的主要工作如下:
　　(1)根據(jù)視覺概率統(tǒng)計模型提取場景中視覺顯著度較高的前景目標 SIFT特征點與顯著度較低的背景SIFT特征點,提供訓練集數(shù)據(jù)并實現(xiàn)前景目標SVM分類器。
　　(2)為實現(xiàn)顯著性區(qū)域提取,利用摳圖對自然場景圖像的顯著性區(qū)域進行提取。針對基于學習的數(shù)字摳圖算法,研究了Trimap在該算法中的特性,得出了Unsup-Trimap的理論依據(jù)。
　　(3)根據(jù)Unsup-Trimap理論依據(jù)設計