论文部分内容阅读
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。