论文部分内容阅读
神经生物学专家和认知心理学专家经过研究表明,人类视觉具有快速掌握视觉观察场景中有趣显眼的目标。为了使计算机可以获取这种能力,越来越多的研究人员对视觉显著性目标检测技术进行研究,视觉显著性目标检测技术的研究已成为计算机视觉与图像识别领域的热门研究课题。视觉显著性目标检测技术的目的是为了能够确定图像中吸引人类视觉注意力的显著区域,而不是仅仅的检测图像中的几个显著特征,所以它不仅可以加速视觉过程,还可以提高视觉任务的性能。因此视觉显著性目标检测技术的研究具有深远的研究意义。虽然当前对视觉显著性检测技术的研究已经具有一定的研究成果,但针对图像背景复杂或显著目标过多时,导致显著目标检测结果精度和效率不高的问题依然存在。鉴于以上所述,本文将对视觉显著性目标检测技术展开介绍与研究,本文主要工作及研究创新如下:(1)视觉显著性目标检测技术近年来具有广泛的应用研究,使其在图像识别领域有着重要贡献。本文将对视觉显著性目标检测技术的相关理论知识进行详细的论述,并对视觉显著性目标检测技术是如何高效获取图像目标信息的方法给予介绍,同时,分析总结一些经典流行的显著性检测算法,并通过实验仿真分析算法的性能优劣,最终归纳构建显著性检测算法模型应注意的关键问题。(2)针对图像背景颜色和视觉显著检测目标信息颜色相近时,导致显著检测结果的精度和效率不高的问题,提出了一种基于扩散的视觉显著目标检测模型。本文通过将对称矩阵的构造并丢弃常数特征向量和辨别力进行重新组合扩散矩阵;同时对扩散矩阵中的种子向量进行重新构造;最后将重新组合的扩散矩阵和重新构造的种子向量进行扩散,得出基于扩散的视觉显著目标检测算法。通过实验仿真对比,该算法较之前的算法有一定的改进,在背景颜色和视觉目标信息颜色相近的情况下,该算法显著目标检测效果有明显的提升。(3)针对图像低级特征不能够均匀进行显著目标检测的问题,本文将高层语义和低级别图像特征进行结合,提出一种新颖的基于高层语义的显著目标检测算法模型。通过使用深度卷积神经网络对图像的语义进行分割提取,对显式信息进行语义分割提取,得到显式显著性检测图;接着将图像中隐含的显著性特征与显著值进行映射得到的训练模型计算隐式显著性图;最后,将显式显著性检测图和隐式显著性检测图进行自适应地融合,形成均匀覆盖显著目标像素精确的显著检测图。大量的实验结果表明,与其他算法相比,该算法的显著目标检测效果较其他的方法有着较为显著的提升。最后,给出现阶段显著性目标检测算法仍需面临的挑战,同时针对这些问题进行论述显著目标检测算法的未来研究趋势。