基于特征點(diǎn)最小凸包與對(duì)比度的顯著性區(qū)域檢測(cè)算法研究.pdf

1、人眼視覺(jué)的一個(gè)重要特征就是將有限的處理資源優(yōu)先分配到人類更感興趣的區(qū)域上。圖像顯著性區(qū)域檢測(cè)就是模擬人眼這種視覺(jué)特效，將圖像中更容易引起人類興趣即顯著性高的區(qū)域檢測(cè)出來(lái)。顯著性區(qū)域檢測(cè)已經(jīng)應(yīng)用到許多計(jì)算機(jī)視覺(jué)任務(wù)中，例如圖像壓縮、目標(biāo)識(shí)別、圖像索引等多個(gè)領(lǐng)域，因此顯著性區(qū)域檢測(cè)現(xiàn)在是計(jì)算機(jī)視覺(jué)中的研究熱點(diǎn)與挑戰(zhàn)之一。
　　生物學(xué)研究表明圖像中的顯著區(qū)域多與其他區(qū)域有明顯差異，所以很多研究者基于圖像的對(duì)比度設(shè)計(jì)算法，但是在實(shí)際計(jì)算過(guò)

2、程中部分圖像背景中也會(huì)出現(xiàn)一些特殊區(qū)域與圖像其他部分同樣有較大的對(duì)比度，導(dǎo)致單一基于對(duì)比度的顯著性區(qū)域檢測(cè)算法無(wú)法將這部分背景與顯著區(qū)域辨別開。同時(shí)算法的運(yùn)算速度也是顯著性區(qū)域檢測(cè)算法的重要性能之一。根據(jù)對(duì)一些經(jīng)典算法優(yōu)缺點(diǎn)的總結(jié)，本文首先提出一種基于圖像分割、正態(tài)分布和Wasserstein距離的底層特征表示方法，并通過(guò)這種方法對(duì)經(jīng)典的GBVS算法進(jìn)行改進(jìn)，然后對(duì)GBVS算法的改進(jìn)效果進(jìn)行總結(jié)，并結(jié)合更多的顯著性檢測(cè)原理，進(jìn)而提出一種

3、基于對(duì)比度與特征點(diǎn)最小凸包的顯著性區(qū)域檢測(cè)算法，以彌補(bǔ)單一檢測(cè)原理的顯著性區(qū)域檢測(cè)算法的缺陷，最后對(duì)該算法進(jìn)行仿真實(shí)驗(yàn)。本文的主要?jiǎng)?chuàng)新點(diǎn)有以下三部分：
　　①本文以超像素作為基本計(jì)算單位，使用超像素中像素點(diǎn)的顏色和Gabor濾波所得的紋理的正態(tài)分布表示每個(gè)超像素的特征，以此建立圖像底層特征的數(shù)學(xué)模型，通過(guò)Wasserstein距離衡量超像素之間的特征差異，根據(jù)超像素之間的特征差異計(jì)算其局部與全局對(duì)比度。
　?、诟鶕?jù)超像素之間

4、的對(duì)比度對(duì)超像素進(jìn)行分類，以每個(gè)超像素與不同聚類的契合度以及不同聚類顯著的概率計(jì)算出全局對(duì)比度的顯著圖，使用經(jīng)典的中心-周圍算子計(jì)算局部對(duì)比度顯著圖以加強(qiáng)主要目標(biāo)的顯著性。
　　③找出圖像中的特征點(diǎn)，根據(jù)不同超像素與特征點(diǎn)最小凸包中心點(diǎn)的歐氏距離計(jì)算出中心顯著圖，并認(rèn)為最小凸包以外的區(qū)域均為不顯著的，以此估計(jì)出圖像中主要目標(biāo)的大致位置。最后將全局、局部對(duì)比度顯著圖與中心顯著圖相結(jié)合得到最終的顯著圖。
　　本文采用Matlab