论文部分内容阅读
协同显著性目标检测(Co-saliency detection)是一种视觉显著性机制引导的在多幅图像中检测相似或共有目标的技术,在协同分割、信息检索、自动标注及前景提取等领域具有广泛的应用前景,成为图像处理领域的研究热点。经过近几年的研究,尽管提出了一些协同显著性检测算法,然而,如何实现复杂环境下快速、鲁棒的协同显著性检测依然需要非常深入的研究,本文分析现有协同显著性检测技术存在的问题,重点研究了基于稀疏主成分分析(Sparse Principal Componen Analysis,sPCA)的快速协同显著性检测算法及其在协同分割中的应用。本文采用循序渐进的方式对基于sPCA的协同显著性检测算法进行了研究,首先从协同显著性算法的效率出发,对底层特征进行稀释特征提取,然后考虑提取特征的有效性对稀疏特征进一步选择,实现基于sPCA的快速、鲁棒协同显著性检测,最后将该方法应用于多幅图像的协同分割,实现复杂图像协同显著目标的自动精确分割。具体工作主要包括:(1)针对协同显著性检测算法效率低的问题,提出了一种基于图像分块的截断幂稀疏主成分提取方法,作为图像协同显著性检测的预处理。实验结果表明,通过将高维输入图像压缩到低维空间,可保留原图像中有效特征,并且消除数据中存在的大量冗余,缩短了显著性检测的运行时间。(2)针对截断幂方法中载荷系数对主成分前后表示不一致的问题,提出了一种基于图像块间有效距离的特征选择方法,对负载因子进行结构化选择,提取有效特征进行协同显著性检测。实验结果表明,本方法可在保证显著性检测精度的同时,进一步提高了协同显著性检测方法的执行效率。(3)研究了基于协同显著性检测的目标自动分割技术。综合协同显著性检测、星形先验图割分割、单步GrabCut图割以及主动轮廓方法的优势,提出了一种协同显著性目标自动精确分割方法。实验结果表明,该方法可以得到较准确、鲁棒的分割结果。