登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 开题报告 > 理工学类 > 自动化 > 正文

基于图模型的显著性检测算法研究开题报告

 2022-01-14 08:01  

全文总字数:3976字

1. 研究目的与意义及国内外研究现状

人类的眼睛是最重要和最珍贵的意识感觉器官,因此,人类获取外部信息的主要感受通道就是通过视觉,尽管物体一般具有多种物理特性,例如质量、高度、温度等,但对视觉的依赖程度最高。视觉信息具有数据量大,处理速度块、记忆持续时间长等特点, 还具备验证其他感觉的能力,例如“百闻不如一见”。视觉系统在感知场景过程中通常需要承担更多的信息处理任务,所以针对这方面的研究能够对计算机理解场景起到非常重要的作用。在计算机视觉领域,研究学者通常将图像或视频信息理解为人类视觉信息。因此,研究人员对图像或视频特征信息的提取,也就转化为对人类视觉系统的显著性特征的研究。也就是仅仅从单一的图像角度分析已经不能达到研究者们的所期望的目标,因此他们又通过心理学实验和神经生物学实验,逐渐了解了人类视觉系统的运行机理,对图像的视觉显著性模型研究这一课题有着重要的指导意义。
近年来随着移动互联网技术的日渐成熟,人们制作和获取图像的方式变得越来越简单,各种图片和图片表情包等的分享传递使得图像数据以指数式的增长。然而,在传统的计算机图像处理分析算法中,图像中所有的区域都是相同的处理方法,但这种处理的最大缺点在于处理像素的计算量过大导致而使得时间损耗特别大。这就对后续的图像处理例如目标识别、跟踪等在实时性上有了很大难度。然而实际上,很多图像的分析任务(诸如目标检测,目标识别,目标跟踪,图像检索等),人们所关心的内容往往只占图像的很小一部分。因此,全面的处理图像中每一个像素是不现实也是不必要的,所以如何快速地从图像中定位并提取到那一小部分内容是计算机高速处理复杂图像的关键问题所在。这就是视觉显著性检测问题,而认知心理学、神经生物学和计算机视觉领域的研究人员一直在思考和攻克的重要问题。主要原因在于获取图像的显著性区域是一种非常主观的大脑意识,然而将意识转化为算法无疑是十分困难的。但研究人员发现人类能在极其短暂的时间里找到自已感兴趣的区域,当然不管是长时间的仔细查阅还是短暂的瞥视。显著性目标之所以能够从整幅图像或场景中被人们所牢记,源于它们和周围环境存在着某一种或几种较大的差别,例如颜色、形状、明暗亮度等等,这些特征将显著性目标从周围的环境中“推”了出来,而研究学者将这些特性称之为显著性特征。

国内外研究现状

目前,国内外的大学和相关的研究机构就视觉显著区域检测这一课题,已经投入大量人力物力和实验室建设,并取得了丰硕的科研成果。其中有加州理工大学(california institute of technology)的klab 实验室、麻省理工学院(massachusetts institute of technology, mit)的视觉研究组、牛津大学(oxford)的视觉几何组(vgg)等比较知名的大学研究机构:国内许多知名大学也有相关的研究,例如清华大学( shi-min hu),上海交通大学(张丽清)、南开大学(程明明),西安交通大学(tie liu),大连理工大学(卢湖川)等。

近年来,有关视觉显著性检测算法如雨后春笋般纷纷涌现,国内外的研究学者从不同角度提出了各式各样的算法模型,使得视觉显著性算法的实验效果不断接近人类视觉的直观感受。目前,这些视觉显著性检测算法能够近似获得人类视觉系统的效果,表现出较好的准确率和召回率,但由于场景的实时性和复杂性,在算法的实际适用性上仍存在一定的问题。

认知心理学、神经生物学和在内的多个学科已经开始对视觉显著性的原理展开研究并移植运用到计算机视觉领域。而且计算机视觉领域的研究学者通过分析认知心理学和神经生物学方面的研究成果,展开了有关视觉显著性模型的研究和相关算法模型的构建。国内外的研究学者从不同的角度研发了不同种类的视觉显著性检测算法。从最早it算法遵循生物视觉规律到基于频域计算的sr算法,经典的显著性检测有着划时代的创新意义。通过对这些典型算法的研究,可以从中借鉴和学习得到设计显著性检测方法的基本思路。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容

大多数现有的自下而上的方法都是基于像素或区域在局部上下文或整个图像中的对比度来测量其前景显著性,而少数方法则侧重于分割背景区域,从而分割出突出的对象。

我们不考虑突出物体与其周围区域之间的对比,而是以不同的方式考虑前景和背景线索。

通过基于图的流形排序对图像元素(像素或区域)与前景线索或背景先验的信息进行排序。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 实施方案、进度安排及预期效果

本文的目的:综合利用图像中背景、前景的先验位置分布及连通性,得到显著物体分割的更好结果。

采用的方法:通过基于图的流形排序对图像元素(像素或区域)与前景线索或背景先验的信息进行排序。图像元素的显著性是基于给定种子(queries)的相关性来定义的。通过流行排序的方法将此先验扩散到并增加得到前景的比较可靠的估计。这些节点基于背景和前景种子的相似性来排序(通过关联矩阵(affinity matrices))。随后将前景的信息用类似的流行排序的方法加强,显著性检测以两阶段方案进行,以有效地提取背景区域和前景显著对象。

算法流程: slic图像过分割;构建相对应的图;背景先验的流行排序算法;自适应分割;前景上的流形排序算法

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献

[1] r. achanta, f. estrada, p. wils, and s. susstrunk. salient region detection and segmentation. in icvs, 2008.

[2] r. achanta, s. hemami, f. estrada, and s. susstrunk. frequencytuned salient region detection. in cvpr, 2009.

[3] r. achanta, k. smith, a. lucchi, p. fua, and s. susstrunk. slic superpixels. technical report, epfl, tech.rep. 149300, 2010.

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

企业微信

Copyright © 2010-2022 毕业论文网 站点地图