基于分類思想的圖像顯著區(qū)域檢測(cè).pdf

1、近年來(lái)，通過視覺顯著區(qū)域檢測(cè)來(lái)獲得圖像中的感興趣區(qū)域，已經(jīng)成為計(jì)算機(jī)視覺領(lǐng)域的熱門之一。感興趣的區(qū)域即為顯著性的區(qū)域，而對(duì)顯著區(qū)域進(jìn)行識(shí)別最為有效的方法則是建立一套視覺注意模型。通過以往的研究發(fā)現(xiàn)，視覺注意模型的建立通常離不開視覺注意機(jī)制，而視覺注意機(jī)制又可以分為兩種不同的方法:自下而上的視覺注意以及自上而下的視覺注意。自下而上的注意是由數(shù)據(jù)驅(qū)動(dòng)，是受底層信息所影響的;而自上而下的注意則是任務(wù)驅(qū)動(dòng)的，是受高層語(yǔ)義信息影響的。
　　

2、現(xiàn)有的顯著區(qū)域檢測(cè)方法往往只包含一種視覺注意機(jī)制，使得檢測(cè)結(jié)果與人眼真實(shí)看到的存在一定的差距，針對(duì)這種問題，本文結(jié)合自下而上和自上而下兩種視覺注意機(jī)制，建立一套自己的視覺注意模型，主要工作包括:
　　(1)分析了經(jīng)典的Itti算法提取圖像特征的優(yōu)缺點(diǎn)，提出了結(jié)合自下而上和自上而下兩種視覺注意機(jī)制對(duì)圖像進(jìn)行特征提取的方法。在自下而上的視覺注意中，提出了使用之前沒有應(yīng)用到顯著區(qū)域檢測(cè)領(lǐng)域的Dense Sift方法進(jìn)行特征提取，并將該方

3、法得到的特征加入到分類器中進(jìn)行訓(xùn)練，分析實(shí)驗(yàn)結(jié)果，驗(yàn)證使用Dense Sift方法進(jìn)行顯著性檢測(cè)的可行性。在自上而下的視覺注意中，通過進(jìn)行眼動(dòng)實(shí)驗(yàn)獲取圖像的眼動(dòng)數(shù)據(jù)，經(jīng)過高斯卷積等操作得到ground truth顯著圖，在圖像中選取正負(fù)樣本點(diǎn)加入到分類器中進(jìn)行訓(xùn)練學(xué)習(xí)。
　　(2)提出了基于Dense Sift和Adaboost方法的DENSA模型進(jìn)行圖像顯著區(qū)域檢測(cè)。針對(duì)現(xiàn)有的Adaboost分類器方法進(jìn)行實(shí)驗(yàn)分析，使用Mode

4、st Adaboost方法作為最終強(qiáng)分類器，將經(jīng)過眼動(dòng)實(shí)驗(yàn)得到的正負(fù)樣本點(diǎn)和相對(duì)應(yīng)特征加入到分類器中進(jìn)行訓(xùn)練，得到最后的DENSA模型。通過與線性SVM及其它11種現(xiàn)有顯著性模型的對(duì)比實(shí)驗(yàn)驗(yàn)證了DENSA模型進(jìn)行顯著區(qū)域檢測(cè)的優(yōu)勢(shì)。
　　(3)在本文的后續(xù)延伸實(shí)驗(yàn)中，本文嘗試使用深度學(xué)習(xí)的方法提取圖像卷積層特征進(jìn)行顯著區(qū)域檢測(cè)，將神經(jīng)網(wǎng)絡(luò)卷積層特征進(jìn)行上采樣后得到原圖大小的特征圖，再進(jìn)行后續(xù)相關(guān)操作，并且通過相關(guān)實(shí)驗(yàn)也驗(yàn)證了該方法