基于多先验和多尺度的显著性检测算法研究

《基于多先验和多尺度的显著性检测算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、论文题目:基于多先验和多尺度的显著性检测算法研究学位类别：工学硕士学科专业：信息与通信工程年级：2015研究生：娄宇航指导教师：和红杰二零一八年五月国内图书分类号：TN911.73密级：公开国际图书分类号：654西南交通大学研究生学位论文基于多先验和多尺度的显著性检测算法研究年级2015姓名娄宇航申请学位级别硕士专业信息与通信工程指导老师和红杰二零一八年五月二十三日ClassifiedIndex:TN911.73U.D.C:654SouthwestJiaotongUniversityMasterDegreeThesisRESEARCHONSALIENCYDETECTIONBAS

2、EDONMULTI-PRIORSANDMULTI-SCALEGrade:2015Candidate:LouYuhangAcademicDegreeAppliedfor:MasterSpeciality:InformationandCommunicationEngineeringSupervisor:HeHongjieMay23,2018西南交通大学硕士研究生学位论文第I页摘要显著性检测能够快速提取图像与视频中最重要部分，从而有效解决图像与视频中信息冗余，计算量过大的问题，因此在很多场景中得到了应用。本文在研究各类显著性检测方法基础上，重点展开边界连接性背景先验显著性检测（RBD

3、模型）、元胞自动机显著性检测（BSCA模型）这两个热点模型的研究，针对它们存在的问题，设计本文的检测算法。主要研究内容如下：1)针对边界连接性背景先验RBD模型中，利用边界连接性计算背景概率存在误差等问题，设计了一种结合背景概率的多先验显著性检测方法。根据背景和前景各自的先验特性，设计了边界先验、加权对比度先验和目标中心先验等三种先验检测图像显著性。在利用SLIC超算法将图像分割为超像素的基础上，先从背景出发，基于仿射传播聚类构建连通图并利用边界先验优化背景概率；再从前景出发，利用加权对比度先验和目标中心先验得到初步的前景显著图。最后，结合背景概率和初步显著图，利用加权最小化代

4、价函数和引导滤波突出优化得到最终的显著图。在标准数据集ASD、ECSSD和SED2中同其他主流显著性检测方法进行对比，结果表明，本文算法具有较好的检测效果，相较RBD模型，本文在三个数据集上有更优的P-R曲线，MAE值分别减小11.9%、6.1%和6.8%，在自适应阈值分割下，本文在ASD和ECSSD中P、F值和RBD模型相当的情况下，具有更高的R值，在SED2中P值略低于RBD模型的情况下，R值和F值均远高于RBD模型，能有效突出并平滑显著性目标。2)针对元胞自动机显著性检测BSCA模型中仅在单尺度下得到显著图，容易造成背景显著值较大及误检等问题，设计了一种基于多尺度的背景抑

5、制显著性检测方法。首先从多尺度超像素分割出发，利用SLIC算法在不同尺度下分割图像为超像素；通过聚类图像边界的超像素构建全局差异图，并利用全局差异图构造特征矩阵，经逻辑回归得到显著图；接着，利用元胞自动机同步更新机制对显著图进行更新；最后，通过颜色加权融合将不同尺度下的显著图融合，得到最终的背景抑制显著图。在标准数据集ASD、ECSSD及SED2中与其他主流方法进行对比测试，本文算法在取得更好的结果同时，相较BSCA模型，本文P-R曲线在三个数据集上均有所提升，MAE值分别下降12.9%、3.3%和8.2%，在自适应阈值分割下，本文在ASD和SED2中P、R和F值均较BSCA模

6、型更高，在ECSSD中本文R值略低的情况下，P值和F值均远高于BSCA模型，能有效提高目标的显著性并抑制背景。关键词：显著性检测；背景概率；多先验；多尺度；背景抑制西南交通大学硕士研究生学位论文第II页AbstractSaliencydetectioncouldquicklyextractthemostimportantpartsofimagesandvideos,whichcaneffectivelysolvetheproblemofinformationredundancyandexcessivecalculationinimagesandvideos.Therefore,

7、it’sappliedinmanyscenes.Onthebasisofthestudyofvariousmethodsofsaliencydetection,thisthsisfocusesontheresearchoftwohotmodelsofboundaryconnectivitybackgroundpriorisaliencydetectionmodel(RBDmodel)andcellularautomatasaliencydetectionmodel(BSCAmodel).To