第1章 緒 論

1.1 顯著性檢測(cè)研究的背景和意義
隨著信息技術(shù)的高速發(fā)展，數(shù)字圖像已成為信息的重要載體，是人與人之間溝通的重要媒介。對(duì)于人類來(lái)說(shuō)，圖像場(chǎng)景中包含著豐富的語(yǔ)義信息；但對(duì)計(jì)算機(jī)來(lái)說(shuō)，它們則只是由大量多維向量即像素點(diǎn)組成的矩陣，本身并不顯式的包含圖像的內(nèi)容信息。計(jì)算機(jī)很難像人一樣從語(yǔ)義層面理解圖像的內(nèi)容，大量的圖像數(shù)據(jù)會(huì)給人工處理造成極大困難，智能分析圖像內(nèi)容，找到真正有用的信息，已成為計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要方向。最初，科學(xué)家們普遍認(rèn)為人類通過(guò)視覺(jué)系統(tǒng)接收周?chē)�環(huán)境的全部圖像信息，在大腦中進(jìn)行無(wú)差別的分析。然而，近些年的研究成果已經(jīng)推翻了這種觀點(diǎn)，其中，Daniel等人從心理學(xué)領(lǐng)域充分證明了人類能不斷的從大量的信息中篩選出有用的信息，同時(shí)拒絕無(wú)用的信息[1]。在視覺(jué)領(lǐng)域，大腦能夠在1/10秒內(nèi)通過(guò)眼球獲取視覺(jué)場(chǎng)景中重要信息，同時(shí)忽略不相關(guān)的部分，面對(duì)一幅圖像，人們總是能在第一時(shí)間把目光集中在自己感興趣的某一個(gè)小區(qū)域，這個(gè)區(qū)域往往就包含場(chǎng)景的主要信息。人類視覺(jué)系統(tǒng)所具有的這種特性被稱為選擇性注意機(jī)制，它可以有選擇性的分析圖像信息，調(diào)度資源，使得分析的過(guò)程更加高效和可靠[2]。因此，面對(duì)海量信息，通過(guò)計(jì)算機(jī)一視同仁的處理所有圖像數(shù)據(jù)是不現(xiàn)實(shí)，也是完全沒(méi)有必要的，如何能準(zhǔn)確的找到圖像中“有用的”、“重要的”、“最吸引注意力的”部分進(jìn)行優(yōu)先處理就凸顯出其重要的意義。
…………..

1.2 顯著性檢測(cè)國(guó)內(nèi)外研究現(xiàn)狀
在神經(jīng)生物學(xué)、心理學(xué)等多種學(xué)科的共同啟發(fā)下[8]，近年來(lái)，視覺(jué)顯著性檢測(cè)一直得到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注，以往研究者們已經(jīng)提出了很多顯著性計(jì)算模型。目前被廣泛接受的劃分方式是根據(jù)人類視覺(jué)系統(tǒng)的機(jī)理將視覺(jué)顯著性檢測(cè)方法分為基于數(shù)據(jù)驅(qū)動(dòng)(Bottom-Up)自底向上的檢測(cè)模型和基于高層理解(Top-Down)自頂向下的檢測(cè)模型兩大類。自底向上的顯著性檢測(cè)方法完全根據(jù)輸入信號(hào)來(lái)進(jìn)行計(jì)算，所以也被稱為數(shù)據(jù)驅(qū)動(dòng)型方法。這類方法幾乎不需要什么先驗(yàn)知識(shí)，僅僅根據(jù)圖像的底層特征，例如顏色、方向、邊緣、梯度等屬性就能計(jì)算出顯著性區(qū)域。研究人員已經(jīng)提出了大量該類方法的計(jì)算模型。早期的顯著性檢測(cè)模型主要模仿人類視覺(jué)系統(tǒng)處理信息的流程，屬于基于生物啟發(fā)式模型。隨著該領(lǐng)域的不斷發(fā)展，基于顯著性的應(yīng)用越來(lái)越廣泛，研究者從實(shí)際應(yīng)用的角度出發(fā)提出了偏重計(jì)算的模型，這種模型往往能達(dá)到非常優(yōu)秀的效果。自頂向下的顯著性檢測(cè)方法往往利用先驗(yàn)知識(shí)分析圖像的顯著性區(qū)域，通常根據(jù)具體的任務(wù)內(nèi)容，設(shè)計(jì)有針對(duì)性的計(jì)算策略，這也就決定了該類方法與自底向上的顯著性檢測(cè)方法相比，不具有廣泛的適用性。從實(shí)現(xiàn)角度來(lái)說(shuō)，先驗(yàn)知識(shí)的獲取需要依靠機(jī)器學(xué)習(xí)訓(xùn)練大量樣本，從而建立的樣本模型，檢測(cè)顯著區(qū)域的位置。為了提高檢測(cè)的效果，需要建立盡量準(zhǔn)確的樣本模型，但是，精準(zhǔn)的樣本模型不僅需要研究人員對(duì)目標(biāo)對(duì)象的結(jié)構(gòu)和性質(zhì)有著深刻的了解，而且需要大量的經(jīng)過(guò)人工標(biāo)注的訓(xùn)練樣本，這是因?yàn)榧词故菍儆谕�一類的目�?biāo)物體，他們的形態(tài)也可能成千上萬(wàn)。除此之外，機(jī)器學(xué)習(xí)算法的設(shè)計(jì)也一直是一項(xiàng)相當(dāng)復(fù)雜的工作。
……………

第2章 構(gòu)造圖像單元結(jié)構(gòu)

2.1 視覺(jué)處理單元的引入
數(shù)字圖像處理往往都是以像素作為基本處理單位，一個(gè)RGB像素只是一個(gè)三維向量，本身包含的信息十分有限，難以分析更深層次的特征。除此之外，圖像的像素?cái)?shù)目往往都十分巨大，比如一副分辨率為300 400的RGB三通道圖像，其像素?cái)?shù)目在十二萬(wàn)，且每個(gè)像素都是一個(gè)三維向量，因此，以像素為處理單元往往會(huì)給后續(xù)工作帶來(lái)很大計(jì)算量。以往的顯著性檢測(cè)算法中大部分都是以像素為基本計(jì)算單位，但若對(duì)圖像所有通道的全部像素操作，將會(huì)導(dǎo)致計(jì)算量巨大，研究者們選擇各種方式降低處理單元的數(shù)量，例如LC方法單獨(dú)選擇亮度通道計(jì)算圖像顯著性區(qū)域，但是這樣也就拋棄了圖像中的大量有用信息，導(dǎo)致該方法無(wú)法有效的處理復(fù)雜多變的自然圖像。日常生活中，人們?cè)谟^察場(chǎng)景時(shí)視覺(jué)系統(tǒng)都是以場(chǎng)景中的區(qū)域作為基本單位接收外界的刺激并處理圖像信息，在這一點(diǎn)上與數(shù)字圖像處理并不相同。圖像的區(qū)域包含的信息十分豐富，包括顏色、大小、形狀、位置等等，這為后續(xù)的處理提供了大量可供選擇的特征。顯著性區(qū)域檢測(cè)正是在模擬人類視覺(jué)系統(tǒng)，因此應(yīng)該與視覺(jué)注意機(jī)制保持一致性。以往的顯著性檢測(cè)算法往往采用多尺度方式模擬這種區(qū)域處理單元。IT方法作為一種較早的顯著性檢測(cè)方法，通過(guò)在多尺度空間基于多特征計(jì)算顯著性圖。IT方法共采用了9級(jí)高斯金字塔，首先計(jì)算其高斯金字塔序列圖像，在這些序列圖像反映了目標(biāo)圖在不同尺度下所包含的信息，模擬人類視覺(jué)系統(tǒng)，在不同尺度下基于不同特征計(jì)算顯著性圖，將顯著性檢測(cè)結(jié)果合并。
…………

2.2 Mean-shift算法在構(gòu)造圖像單元中的應(yīng)用
在數(shù)字圖像處理領(lǐng)域中，圖像分割算法能夠在保留圖像信息的基礎(chǔ)上高效的將圖像劃分成為多個(gè)非重疊的子區(qū)域，Cheng等人在RC方法中也是采用這種的思想，但RC方法所使用的圖像分割算法是通過(guò)圖結(jié)構(gòu)的節(jié)點(diǎn)生長(zhǎng)方式來(lái)進(jìn)行圖像分割[34]，分割效果一般且計(jì)算效率低。但是，基于區(qū)域的顯著性檢測(cè)結(jié)果很大程度上依賴于圖像分割的效果，因此，為了克服前人算法的缺點(diǎn)，在構(gòu)造圖像單元的過(guò)程中，本文使用一種改進(jìn)后的自適應(yīng)Mean-shift圖像分割算法，通過(guò)顏色空間多維數(shù)據(jù)樣本的空間分布密度進(jìn)行分割。將Mean-Shift算法應(yīng)用到圖像處理領(lǐng)域，在圖像中像素點(diǎn)的空間維數(shù)是(x, y)，每個(gè)像素點(diǎn)由(r, g, b)三基色構(gòu)成，在進(jìn)行圖像分割時(shí)，Mean-shift圖像分割算法通過(guò)使用一個(gè)滑動(dòng)窗口掃描空間來(lái)找到數(shù)據(jù)密度最高的多維數(shù)據(jù)點(diǎn)聚集部分，即數(shù)據(jù)峰值。由于，空間向量與顏色向量的變化范圍有極大不同，所以對(duì)不同的維度需要選擇不同的窗口半徑。當(dāng)窗口移動(dòng)時(shí)，經(jīng)過(guò)窗口變換后收斂到該數(shù)據(jù)峰值的點(diǎn)都會(huì)連通起來(lái)并屬于該峰值，這種所述關(guān)系是通過(guò)密集的尖峰輻射實(shí)現(xiàn)圖像分割。Mean-shift算法能夠綜合考慮多通道顏色特征，區(qū)域大小，空間距離等因素，能將顏色相同或相近，且空間分布集中的像素劃歸到同一區(qū)域，同時(shí)將對(duì)比度大或者空間距離較遠(yuǎn)的樣本劃分到不同的區(qū)域，除此之外，還擁有良好的保邊性，能夠保留圖像區(qū)域清晰的輪廓，約束圖像中的物體形狀，在顏色域和空間域上都具有良好特性[35]。
………….

第3章 基于兩種模型的顯著性檢測(cè).......17 
3.1 顯著性檢測(cè)評(píng)價(jià)標(biāo)準(zhǔn)介紹 ...... 17 
3.2 基于圖像單元對(duì)比度的顯著性檢測(cè) ..... 20
3.3 基于圖像單元主要顏色空間分布特性的顯著性檢測(cè)........ 25
3.4 本章小結(jié) .......... 32 
第4章 關(guān)鍵顯著性區(qū)域增強(qiáng).....33 

4.1 多特征顯著性圖融合 ...... 33 
4.2 關(guān)鍵顯著性區(qū)域計(jì)算 ...... 34 
4.3 基于關(guān)鍵顯著性區(qū)域中心增強(qiáng) ..... 36 
4.4 實(shí)驗(yàn)仿真 .......... 38
4.5 本章小結(jié) .......... 38
第5章 顯著性檢測(cè)模型對(duì)比與應(yīng)用.......39 
5.1 實(shí)驗(yàn)對(duì)比 .......... 39 
5.1.1 實(shí)驗(yàn)平臺(tái)的搭建...... 39 
5.1.2 實(shí)驗(yàn)數(shù)據(jù)集和評(píng)價(jià)方法 ........ 40 
5.1.3 顯著性檢測(cè)方法的全面對(duì)比 ....... 40 
5.2 顯著性檢測(cè)的應(yīng)用.......... 43
5.2.1 基于顯著性檢測(cè)的圖像智能縮放 ...... 44 
5.2.2 基于顯著性檢測(cè)的圖像風(fēng)格化 .......... 46 
5.3 本章小結(jié) .......... 47

第5章 顯著性檢測(cè)模型對(duì)比與應(yīng)用

5.1 實(shí)驗(yàn)對(duì)比
實(shí)驗(yàn)硬件平臺(tái)為：Intel(R) Core(TM)2 Duo，CPU E4500 @2.2 GHz 2.19 GHz，內(nèi)存2.00 GB，硬盤(pán)240 GB。軟件平臺(tái)：Window 7(32位)操作系統(tǒng)，Microsoft Visual Studio2010集成開(kāi)發(fā)環(huán)境，C++編程語(yǔ)言和OpenCV開(kāi)放性計(jì)算機(jī)視覺(jué)庫(kù)。開(kāi)放性計(jì)算機(jī)視覺(jué)庫(kù)OpenCV(Open Source Computer Vision Library) 是由Intel研發(fā)，是一個(gè)計(jì)算機(jī)視覺(jué)方向的開(kāi)放性函數(shù)庫(kù)，內(nèi)部使用C/C++編程，可以兼容Windows/Linux/IOS/Android等多種操作系統(tǒng)。除了C/C++外，OpenCV 還支持Java、Python、Ruby、MATLAB等多種語(yǔ)言接口，它包含上千個(gè)功能強(qiáng)大函數(shù)，覆蓋了計(jì)算機(jī)視覺(jué)的許多應(yīng)用領(lǐng)域，為開(kāi)發(fā)者編程處理數(shù)字圖像提供了很大的方便，大大提高了計(jì)算機(jī)在進(jìn)行數(shù)字圖像處理時(shí)的運(yùn)行速度，已經(jīng)成為圖像視頻處理領(lǐng)域研究者和開(kāi)發(fā)者不可或缺的工具。OpenCV是一個(gè)近些年剛剛興起的開(kāi)放性計(jì)算機(jī)視覺(jué)函數(shù)庫(kù)，它是由Intel研發(fā)中心最先發(fā)起創(chuàng)立，后來(lái)在各方共同努力下，不斷的發(fā)展壯大，已經(jīng)成為計(jì)算機(jī)視覺(jué)領(lǐng)域不可或缺的開(kāi)發(fā)工具，無(wú)論是從事計(jì)算機(jī)視覺(jué)領(lǐng)域研究的學(xué)者，還是從事圖像處理領(lǐng)域的公司都廣泛采用OpenCV作為開(kāi)發(fā)工具。

……………

結(jié)論

隨著拍攝設(shè)備高速普及，數(shù)字圖像已經(jīng)成為人與人溝通的重要信息載體。特別是近些年來(lái)社交網(wǎng)站、微博等圖像分享平臺(tái)的興起，更加促使了數(shù)字圖像呈爆炸形式增長(zhǎng)。面對(duì)海量的網(wǎng)絡(luò)圖像，如何讓計(jì)算機(jī)像人類一樣智能處理圖像，已經(jīng)成為計(jì)算視覺(jué)領(lǐng)域的研究熱點(diǎn)。顯著性檢測(cè)基于生物視覺(jué)原理檢測(cè)出圖像場(chǎng)景中的目標(biāo)區(qū)域，雖然并未使計(jì)算機(jī)獲得圖像承載的信息，但是可以自適應(yīng)的對(duì)場(chǎng)景中的包含主要信息的區(qū)域進(jìn)行篩選，完全脫離復(fù)雜繁瑣的人工交互，為后續(xù)計(jì)算機(jī)理解圖像語(yǔ)義信息提供幫助，在目標(biāo)檢測(cè)、圖像分類、圖像內(nèi)容理解等諸多領(lǐng)域都有著廣泛的應(yīng)用前景，蘊(yùn)藏著巨大的商業(yè)價(jià)值。本課題在前人探索的基礎(chǔ)上，研究可靠的顯著性檢測(cè)模型，著力提升檢測(cè)結(jié)果的精度和召回率，提出了本文以上章節(jié)所述的算法，通過(guò)實(shí)驗(yàn)驗(yàn)證本文算法的有效性，并將顯著性檢測(cè)付諸實(shí)踐。
…………
參考文獻(xiàn)（略）