結(jié)合空間一致性和多層結(jié)構(gòu)信息的視覺(jué)顯著性研究.pdf

1、近年來(lái)，視覺(jué)顯著性檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)之一。它通過(guò)一系列處理，從圖像中提取出人們感興趣區(qū)域的信息（即圖像顯著性），實(shí)現(xiàn)了人眼對(duì)圖像信息的高效獲取和處理。目前，視覺(jué)顯著性檢測(cè)模型已被廣泛地應(yīng)用于物體識(shí)別與檢測(cè)、圖像質(zhì)量評(píng)價(jià)和圖像檢索等領(lǐng)域。由于圖像中物體結(jié)構(gòu)的復(fù)雜性和背景物體干擾等問(wèn)題，視覺(jué)顯著性檢測(cè)任務(wù)具有很大的挑戰(zhàn)性。本文主要研究如何結(jié)合空間一致性和多層結(jié)構(gòu)信息來(lái)提高視覺(jué)顯著性檢測(cè)的準(zhǔn)確率。
　　首先，本文研究了低秩矩

2、陣表示方法在計(jì)算機(jī)視覺(jué)領(lǐng)域中的應(yīng)用，分析了其在特征表達(dá)和圖像表示中的優(yōu)勢(shì)，提出了一種基于結(jié)構(gòu)性低秩編碼的視覺(jué)顯著性模型。該模型在低秩矩陣表示方法基礎(chǔ)上，結(jié)合字典學(xué)習(xí)機(jī)制，可以有效地結(jié)合圖像塊之間的空間一致性和結(jié)構(gòu)信息一致性，提取出圖像塊之間的差異信息，從而為視覺(jué)顯著性檢測(cè)提供一個(gè)更具判別性的圖像塊表示。在包含行人、自行車(chē)和汽車(chē)三個(gè)目標(biāo)類(lèi)的Graz-02數(shù)據(jù)集和互聯(lián)網(wǎng)汽車(chē)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，本文提出的模型相比于基于圖像分類(lèi)框架的視覺(jué)顯著性模

3、型的平均檢測(cè)準(zhǔn)確率分別提升了3.3%、1.6%、5.6%和6.7%。實(shí)驗(yàn)結(jié)果表明，該模型可以有效地結(jié)合圖像塊之間的空間一致性和結(jié)構(gòu)信息一致性，得到更具判別性的圖像塊級(jí)別的特征表示，從而提升顯著性物體的檢測(cè)結(jié)果。
　　本文還研究了顯著性檢測(cè)中的局部特征合并方法，并提出了一種多子塊上下文空間合并方法。該方法提取出圖像塊的多層結(jié)構(gòu)信息，即鄰域上下文結(jié)構(gòu)信息和不同空間方向上的上下文結(jié)構(gòu)信息。同時(shí)，該方法加入了信息過(guò)濾函數(shù)，增強(qiáng)了對(duì)尺度變化

4、的魯棒性。基于該方法，結(jié)合結(jié)構(gòu)性低秩編碼，本文還提出了一種結(jié)合多層結(jié)構(gòu)信息的視覺(jué)顯著性檢測(cè)模型，該模型可以有效地將圖像塊的空間一致性和多層結(jié)構(gòu)信息相結(jié)合，提供一個(gè)更具判別性的圖像塊表示。在 Graz-02數(shù)據(jù)集上的三個(gè)目標(biāo)物體類(lèi)上進(jìn)行實(shí)驗(yàn)，多子塊上下文空間合并方法的平均準(zhǔn)確率相比于上下文空間合并方法分別提高了3.8%、3.9%和5.1%；結(jié)合多層結(jié)構(gòu)信息的視覺(jué)顯著性檢測(cè)模型的平均準(zhǔn)確率相比于上下文空間合并方法分別提升了7.9%、6.4%