收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

图像内容显著性检测的理论和方法研究

蒋鹏  
【摘要】:人类的视觉系统可以在广大的、复杂的动态及静态场景中快速定位出最吸引注意的内容,这种能力被称为显著性检测。吸引注意的内容因此被叫做显著性(内容),一般来说显著性的某种特征与周围有很大差异,例如某些危险警示标志。视觉系统的显著性检测能力可以使我们更聚焦在视觉场景中的某一局部,而对场景中的其它背景部分视而不见,从而当我们面对外界的刺激时可以优先处理部分信号并更快速的做出反应。随着图像视频获取捕捉设备的发展,数据规模越来越大、内容越来越复杂,因此早期的计算机视觉算法逐渐不能胜任现如今的任务。所以,人们试图设计算法模拟人类视觉系统的显著性检测能力,来找出图像中的部分重要内容进行后续分析处理并忽略掉冗余信息,从而加速整个任务的执行。显著性检测的结果可以应用于很多计算机视觉任务,例如物体检测和识别[9][52][80][81]、图像分割[84][85][86]、图像和视频压缩[82][83]、图像重定向[53][79][100]、视频摘要[88][89][90]、视觉跟踪[94][95][96][97][98][99]、基于内容的图像检索[87]、图像编辑[91][92][93]等。因为显著性检测的重要性,它越来越受到重视并被大量研究,很多显著性检测模型相继被提出。在计算机视觉的显著性检测领域,根据任务的不同,显著性检测有两个分支:通用的显著性检测和特定的显著性检测。而根据结果的特点,每个分支还可以进一步分为视觉显著性检测和显著性物体检测两类。通用的显著性检测任务,目的是查找自然图像中吸引人注意的区域或物体,这些区域或物体没有明确的类别。而特定的显著性检测,一般是根据不同任务在图像中查找某种类型的区域或物体,比如照片中的人脸、监控中的汽车、医学图像中的肿瘤。本文全面研究了图像内容显著性检测的理论与方法,从多个角度、多个方面分析了现有的显著性检测模型,并提出了新的特征、模型和评价方法,对显著性检测领域做出了较大贡献。主要创新点包括:总结了视觉显著性检测模型和显著性物体检测模型两类模型的发展,并且汇总了两类模型的显著性特征、评价数据库和评价方法,发现这两类模型有很多相似点。进一步分析,两类模型都有三个主要组成部分:特征对比方式、显著性提取方向以及线索结合方法,再次说明了两类模型的紧密关系。提出了一种通用的显著性物体检测模型UFO[10],在该模型中提出了聚焦度(focusness)和物体度(objectness)两种显著性特征,其中聚焦度可以通过尺度空间分析进行估计而物体度则由修改的物体检测算法计算。最后,非线性结合广泛使用的独特度(uniqueness)得到UFO模型。该模型在当时国际上最大和最难的显著性物体检测数据库MSRA1000和BSD300上,及统一的评价体系下,取得了领先的结果。提出了一种对基于扩散的显著性物体检测模型的改进方法。通过分析现有的基于扩散的显著性物体检测模型,我们对该类模型的工作机制有了一种全新的解释,我们发现基于扩散的显著性物体检测模型的性能与扩散矩阵和种子向量都有关,并且性能上限由扩散矩阵决定。因此,我们提出了一种通过重新合成扩散矩阵和构建种子向量来提高模型准确性和效率的方法。之前大多数基于扩散的显著性物体检测模型只关注于种子向量的生成,但是我们通过大量实验,包括视觉显著性提升能力、及我们提出的受限最优的种子点效率(COSE),充分证明了我们重新合成的扩散矩阵有更强的扩散能力,可以使种子向量的显著性信息更精确的传播到整个显著性物体。同时,视觉显著性提升能力的实验为改造视觉显著性检测模型来检测显著性物体提供了一个途径。最后,我们结合重新合成的扩散矩阵及构建的种子向量得到GP模型[11]。我们在当时最大的两个数据库MSRA10K和ECSSD上进行显著性物体检测的实验,GP在大多数评价方法下都取得领先水平。提出了一种特定的显著性物体检测模型。具体来说,该模型实现了一个算法,来自动的检测乳腺超声图像中的肿瘤位置并勾绘出肿瘤轮廓。该模型首先利用AdaBoost分类器找出所有潜在的肿瘤区域,再利用SVM分类器进一步把真实肿瘤区域筛选出来。最后将检测出的肿瘤区域及非肿瘤区域的中心作为前/背景种子点,利用Random Walks分割算法得到肿瘤轮廓。实验证明,该模型可以准确定位肿瘤位置并精确勾绘肿瘤轮廓,此外该算法也可以应对包含多个肿瘤的超声图像。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 杨清;;电网异常检测模型方法设计[J];电测与仪表;2009年S2期
2 纪祥敏;陈秋妹;景林;;面向下一代互联网的异常检测模型研究[J];福建电脑;2013年01期
3 崔艳娜;;一种网络流量异常检测模型[J];计算机与现代化;2013年08期
4 涂旭平;金海;何丽莉;杨志玲;陶智飞;;一种新的网络异常流量检测模型[J];计算机科学;2005年08期
5 吕洪柱;张建平;邓文新;;基于数据挖掘技术的异常检测模型设计[J];高师理科学刊;2007年06期
6 马琳;苏一丹;莫锦萍;;协同推荐系统检测模型的一种优化方法[J];微计算机信息;2010年03期
7 杨清;;基于模糊序列电网异常检测建模方法与研究[J];山西电子技术;2009年05期
8 李雪琴;;基于模糊C均值的异常流量检测模型[J];赣南师范学院学报;2009年06期
9 唐彰国;李焕洲;钟明全;张健;;改进的进程行为检测模型及实现[J];计算机应用;2010年01期
10 申利民;李峰;孙鹏飞;牛景春;;开放企业计算环境下基于信任的行为检测模型[J];计算机集成制造系统;2013年01期
11 石磊;代琳娜;卫琳;陶永才;曹仰杰;;微博污染检测模型[J];计算机应用;2013年06期
12 梁昇;肖宗水;许艳美;;基于统计的网络流量异常检测模型[J];计算机工程;2005年24期
13 唐素芬;覃伯平;庞坤;;基于Q-学习算法的异常检测模型[J];微计算机信息;2006年12期
14 田新广;孙春来;段洣毅;钱小军;邱志明;;基于机器学习的用户行为异常检测模型[J];计算机工程与应用;2006年19期
15 王峰;宋书民;陈喆;矫新华;;基于危险模式的异常检测模型[J];微计算机信息;2006年24期
16 金舒;刘凤玉;;基于模糊概率赋值的新型贝叶斯异常检测模型[J];中国工程科学;2007年06期
17 于佳;张二虎;;基于全画面的印刷品在线色差检测模型[J];包装工程;2009年03期
18 李焕洲;陈婧婧;钟明全;唐彰国;;基于行为特征库的木马检测模型设计[J];四川师范大学学报(自然科学版);2011年01期
19 朱献文;李景富;;基于混合神经网络的异常信息流检测模型[J];信息安全与技术;2011年10期
20 王飞;徐本连;钱玉文;戴跃伟;王执铨;;一种基于混合分类器的异常检测模型[J];系统仿真学报;2012年04期
中国重要会议论文全文数据库 前7条
1 刘俊荣;王文槿;刘宝旭;;一种基于网络行为分析的木马检测模型[A];第十六届全国核电子学与核探测技术学术年会论文集(下册)[C];2012年
2 马文忠;郭江艳;陈科成;杨珊;王艳丽;;基于神经网络的供热燃烧系统检测模型的研究[A];2011中国电工技术学会学术年会论文集[C];2011年
3 张广军;贺俊吉;;基于圆结构光的内表面三维视觉检测模型[A];中国仪器仪表学会学术论文集[C];2004年
4 王建平;张自立;魏华;;战术空域冲突检测模型研究[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年
5 武照东;刘英凯;刘春;吴秀峰;;Overlay网络的链路故障检测模型[A];2008通信理论与技术新发展——第十三届全国青年通信学术会议论文集(下)[C];2008年
6 李京鹏;杨林;刘世栋;;防火墙状态检测模型研究[A];第十八次全国计算机安全学术交流会论文集[C];2003年
7 周双娥;熊国平;;基于Petri网的故障检测模型的设计与分析[A];第六届中国测试学术会议论文集[C];2010年
中国博士学位论文全文数据库 前5条
1 蒋鹏;图像内容显著性检测的理论和方法研究[D];山东大学;2016年
2 赵静;网络协议异常检测模型的研究与应用[D];北京交通大学;2010年
3 赵斌;基于图模型的微博数据分析与管理[D];华东师范大学;2012年
4 牛清宁;基于信息融合的疲劳驾驶检测方法研究[D];吉林大学;2014年
5 刘鹏飞;铝合金点焊质量的逆过程检测方法研究[D];天津大学;2008年
中国硕士学位论文全文数据库 前10条
1 朱远文;前端启发式渗透检测模型研究[D];天津理工大学;2015年
2 刘娇;基于高光谱技术的不同品种猪肉品质检测模型传递方法研究[D];华中农业大学;2015年
3 轩照光;ITS系统防碰撞技术研究[D];电子科技大学;2015年
4 祝旻;基于可见近红外光谱的土壤有机质快速检测方法和仪器研究[D];浙江工业大学;2015年
5 陈远;目标结构化表示下的遮挡分析与检测研究[D];合肥工业大学;2015年
6 刘琦;卷积检测模型的GPU加速研究[D];上海交通大学;2015年
7 张颖华;特定场景下的可变形部件模型[D];上海交通大学;2015年
8 黄咨;基于卷积神经网络的目标检测模型的研究[D];上海交通大学;2015年
9 陈璐艳;基于范例集成的目标检测模型研究[D];上海交通大学;2015年
10 许剑;基于andriod平台手机的老人跌倒检测识别方法研究[D];东南大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978