基于超像素的全局顯著性區(qū)域檢測.pdf

1、顯著性分析模型，能夠仿真生物視覺系統(tǒng)，提取出圖像中最引人注意、最能代表圖像內容的顯著部分。它作為很多計算機視覺問題的基礎處理步驟，具有重大的研究意義和廣闊的應用前景。高效高質量的顯著性分析模型可以為核心區(qū)域鎖定及追蹤、對象分析、場景描述、前景敏感的圖像檢索與編輯等抽象出可靠的完備數(shù)據(jù);可以合理恰當?shù)胤峙鋱D像分析與處理所需的計算資源;也可以反過來加深我們對人類視覺系統(tǒng)工作原理的認知和理解。
　　 根據(jù)實現(xiàn)機理不同，當前圖像顯著性分

2、析模型可大致分為三類:生物體視覺仿真類，純數(shù)學計算類和兩者融合類。本文選取10種極具代表性的方法進行研究，它們涵蓋上述多個類別，涉獵該領域最新的研究成果，且被引用多次。本文給出了顯著性分析問題的一般解決方案，共分為篩選圖像特征、計算圖像基本單元顯著性和后處理三個環(huán)節(jié)，并概括性地總結了各個過程較為有效的處理方法，介紹了各自的處理對象和處理方式?；谝陨涎芯靠梢园l(fā)現(xiàn)，今天顯著性分析依舊是待解決的熱點問題，有必要作進一步探索。
　　

3、提升顯著性分析算法的性能可以依據(jù)以下三點，一是盡可能減少比較次數(shù)來提高速度，二是綜合考慮多種因素來更科學地度量顯著性，三是引入恰當?shù)暮筇幚聿襟E來增強檢測效果。
　　 本文設計了一種新的超像素聚類方法HAIC（Hexagonally Arranged IterativeClustering），為圖像顯著性分析問題引入了恰當?shù)念A處理步驟，解決了顯著性全局分析效果雖好但計算耗費過大的問題。HAIC方法在CIELAB色彩空間和平面空間聚

4、類像素，能在線性時間復雜度內將輸入自然圖像的處理粒度更新為尺度均勻、鄰接關系優(yōu)良、顏色邊緣貼合的高質量超像素。
　　 本文進一步提出了一種新的顯著性分析模型SGC(Superpixel GlobalContrast)。它采用HAIC方法進行預處理高效劃分圖像，后續(xù)顯著性分析都是基于預處理中產生的超像素的，所以速度很快。本文關注的是全局對比度，采用了簡單高效的評估方式歐氏距離，并將對比度衡量對象集合中的元素減少到兩個，顏色差異及平

5、面接近程度，它們不僅可以被直觀地定義，而且能夠計算出高精度的顯著性值。再引入POO算法（Pivotal Object Outstanding），來進一步加工過程顯著性圖，強化其中的核心目標物體，增強檢測效果。相較于前面提到的其他十種顯著性分析模型，SGC生成的顯著性圖質量更高，所用的平均檢測時間更短，性能更好。
　　 本文將生成的顯著性圖像應用于很多有意思的應用。再現(xiàn)了一些經典應用模型，如遍歷閾值提取;改進了一些有代表性的應用模