基于结构化学习的显著性区域检测研究

《基于结构化学习的显著性区域检测研究》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、—■．：节、－＾‘＇．心叫．主ＶＶ幣个。＾句户命旅品筑－＇．：户ＶＶ厶Ｊ；－爲‘Ｕ－．；巧、＾Ｖ／’Ｆ话軒一－‘学号２０一分类号心Ｖ＼１３０４７０３００５—一苗甚．学校代码１０４８８．卷敬－原．－；’．＇作、Ｖ．＼二町吉知ｖ作；疗记‘：：１高帛二片：确ＩＶ．Ｙ苗疑兴；ｐ异■护－■？’－，乂：—，ｖ＼％＇：＼辨＂＇―’，＇’－■－＇、‘ＩＸ．／為ｖ产：．；；ｖｆ；．ｉ－’：１＇．＇．＊一＇為＇

2、、．一、、．－．．、——／；／。／Ｊ．＇‘、．．方：子、：、？：、－…义—－乂一．＇‘－中ｒ＇：＾、３；黃：．－—如、占？古－．．—、＊－、＇ｖｒ。；；，；￣＇‘，■＇、’‘！’’，之去，ｙ、Ｊ＾：？顧壬学位论文譜苗．方Ｖ＊、’．．’；＇＇－＇一＇．－？．．：；；＊、／一：。中Ｉ：产Ｖ公＿；濟靖‘’？—；‘‘、’－＾。０；ｖ基于结构化学习的显著性区域检测誦雌義墓。，爲ｊ■々’一＇－＂－＊－．鸟■－、＇。＞＇■：

3、，、Ａ－、、；Ｖ？Ｖ一ｅ：．Ｖ：：：：：沒：，‘—‘心、＊、‘、‘—一—苗占二二、一＂‘、如三、＇Ｖ／Ｖ知、＾…＇：乂．‘－Ｉ？…．－．＇Ｖ－巧＇．＇－‘■．＇－，＇＾：．－＇．＇’＇‘‘＿’－．，＾－＇＇；巧＂巧－＇心－：＊＾、气＇一：：７短－＾二－嚴＇；、一；‘．．■＾、．．．：＇…：＇＇山－＾：；叶－一＾Ｓ；一＾；Ｖ＾棋巧如＇叶巧；占旁产豈這公若气＾．．．’．心：Ｔ识渝．接嘴爲，瞬巧叛接占寒皆乃节咧．’＂－＇．；Ｖ请入学位申一心堡韓、

4、１哨．业电与系统路学科专—…一＇、？一六－－吟一、的，Ｖ＇；＂－、－＇作為；谨乂八吴教师记Ｖ指导ｒ，一—？：．巧学孫＇、，，’乂－＇５１８日＿一苗冷：矿２０１６－日年月答辩期诚＂．—．心心；．．ｖ，；ｒ絮壽；巧，；茫養，，辦品嗦：，早邊菊心；＂■、＇心Ｖ心八若？＜Ｖ中推入讀議馨義节ｔ某节＆．＂、＇、、？嘴’＇■片－＇取？－靖＜＇－萌—４。，备二Ｖ！／ｔADissertationSubmittedinPartialFulfillment

5、oftheRequirementsfortheDegreeofMasterinEngineeringResearchonSalientRegionDetectionBasedonStructuredLearningMasterCandidate：ChengLiMajor：CircuitsandSystemsSupervisor：Prof.WuJinWuhanUniversityofScienceandTechnologyWuhan,Hubei430081,P.R.ChinaMay18th,2016武汉科技大学研究生学

6、位论文创新性声明本人郑重声明；所呈交的学位论文是本人在导师指导下，独立进行研究所取得的成果。除了文中己经注明引用的内容或属合作研究共同完成的工作外，本论文不包含任何其他个人或集体己经发表或撰写。对本文的研究做出重要贡献的个人和集体过的作品成果，均已在文中Ｗ明确方式标明。一申请学位论文与资料若有不实之处，本人承担切相关责任。论文作者签名：爭豕７曰期：研究生学位论文版权使用授权声明本论文的研究成果归武汉科技大学所有，其研究内容不得其它单位的名义发表。本人完全了解武汉科技大学有关保留、

7、使用学位论文的规定，同意学校保留并向有关部口按照《武汉科技大学关于研（究生学位论文收录工作的规定》执行）送交论文的复印件和电子版本，允许论文被查阅和借阅，同意学校将本论文的全部或部分内容编入学校认可的国家相关数据库进行检索和对外服务。论文作者签名；捉秦指导教师签名：ｌ、Ｖ！日期：摘要显著性区域检测能够模拟人类视觉系统，快速地检测出图像中的显著性区域，提高图像处理的效率，在目标识别、图像压缩与编码、图像检索、场景分析等计算机视觉领域有着广泛的应用。本文首先分析了显著性区域检测的研究背景与

8、该领域的研究现状，介绍了视觉注意机制的基本概念、视觉注意的两种模型以及视觉注意建模的理论基础。其次从决策树、节点分裂规则以及随机森林的构造这三方面介绍随机森林方法，并列举了随机森林的若干优点。随后重点介绍了基于Bootstrap学习、基于上下文超图建模、基于高维颜色变换这三种基于监督学习的显著性检测方法。然后提出了一