论文部分内容阅读
人类视觉能在复杂的生活场景中快速搜索到感兴趣的目标,这些目标一般是场景中最突出最显眼最重要的物体,即显著目标。与人相比,计算机的视觉检测具有很大的挑战性。为了让目标检测在各领域得到良好的应用,出现了大量的显著性检测相关的研究成果。现有模型大多得到不完整的显著性区域以及较高的背景显著值。如何提高显著目标检测的准确性以及获得高召回率的显著图是本文研究的重点。人类的注意机制分为自底向上的视觉注意机制和自顶向下的视觉注意机制,鉴于大多数显著性检测是无目标的、不确定的,本文主要研究自底向上的视觉计算模型。通过描述现有的显著性检测模型以及对它们的研究,阐述了新的见解,提出了一种融合双特征图信息的图像显著性检测方法,并成功地应用到显著性区域自动马赛克技术中。本文的主要工作和贡献可以概括如下:1.本文提出一种融合双特征图信息的图像显著性检测方法,能够综合图像底层颜色对比特征和图像颜色空间分布特征,避免单一依靠颜色差异检测方法的局限性。首先,对图像进行SLIC超像素分割,根据超像素之间的颜色差异求取颜色对比特征图;其次,按照颜色特征对图像进行K-Means聚类,依据空间分布紧凑性和颜色分布统一性计算每个类的初步颜色空间分布特征。由于聚类结果中不包含空间信息,所以算法再一次结合SLIC超像素分割结果进行颜色空间分布特征图的优化;最后,通过融合颜色对比特征图和颜色空间分布特征图得到最终的显著图。针对公开的图像测试数据库MSRA-1000,本文提出的算法与当前几种经典的显著性检测算法进行了对比实验,实验结果证明了本文提出算法的有效性。2.为了满足自动地对显著区域生成马赛克的需求,本文提出了显著性驱动的图像重要区域马赛克自动生成的方法,将显著性检测算法应用到图像的马赛克上。马赛克是一种非真实感的渲染效果,马赛克图像是通过组合不同大小、形状、颜色的嵌片得到的。该方法的目的是,图像的其他区域保持不变,显著区域生成马赛克效果,以实现重要信息的隐私保护作用,既具有艺术效果,又模糊表达了源图像的特征信息。实验结果证明,对于一个输入图像,执行算法可得到与之对应的显著区域马赛克图像。