基于多尺度機(jī)器學(xué)習(xí)和稀疏表示的顯著性檢測.pdf

1、隨著社會的進(jìn)步和人類生活方式智能化地轉(zhuǎn)變，計算機(jī)視覺被廣泛應(yīng)用到軍事、航天、航海乃至人們的日常生活中的方方面面。迫切的市場應(yīng)用需求推動著這項理論研究的不斷革新和發(fā)展。而在計算機(jī)視覺中，顯著性檢測就是模擬大腦的視覺信號處理分析過程，找出圖像信息中最感興趣最顯著的部分。本文旨在普遍提高顯著性檢測智能識別顯著區(qū)域的精確度。
　　本研究首先采用單一尺度上的隨機(jī)森林模型對訓(xùn)練圖集進(jìn)行特征學(xué)習(xí)，以獲得分類器模型，進(jìn)行測試實驗獲取圖像的前后景顯

2、著性分類結(jié)果。同時，為了增強對圖像顯著目標(biāo)的輪廓和細(xì)節(jié)的描述，引入了多尺度學(xué)習(xí)的概念，用以提高分類器模型的準(zhǔn)確度。兩次測試實驗的結(jié)果表明，多尺度隨機(jī)森林學(xué)習(xí)的顯著性檢測結(jié)果相比較單一尺度的檢測結(jié)果性能得到了明顯的提高，但是從客觀的圖像評價指標(biāo)數(shù)據(jù)結(jié)果上看并不理想，所以該算法需要進(jìn)一步優(yōu)化。然后，在稀疏表示法的基礎(chǔ)上結(jié)合機(jī)器學(xué)習(xí)的結(jié)果進(jìn)行優(yōu)化。其一，在稀疏表示算法上引入罰函數(shù)，架構(gòu)起加權(quán)稀疏表示模型。其二，針對不同的字典類型進(jìn)行重構(gòu)，不斷

3、迭代計算得到最優(yōu)解，轉(zhuǎn)化成最終的顯著性圖譜。其中，背景字典的初始值是引入了機(jī)器學(xué)習(xí)得到的顯著性檢測結(jié)果的分類標(biāo)記。經(jīng)過測試實驗，分析得到該算法自身具備優(yōu)化性能。此外，針對不同類型的圖像數(shù)據(jù)集，本算法對比了其他9種優(yōu)秀算法的顯著性檢測結(jié)果，從主觀、客觀兩方面就實驗結(jié)果進(jìn)行了詳細(xì)的分析。進(jìn)一步證明，本算法具有優(yōu)良的顯著性檢測性能表現(xiàn)。并且對于實驗效果，進(jìn)行了客觀、詳細(xì)的分析，對進(jìn)行進(jìn)一步研究優(yōu)化提出了合理的建議。最后，對全文進(jìn)行總結(jié)和展望。