协同显著性检测技术分析-药理学专业论文.docxVIP

优秀毕业论文精品参考文献资料目 录第一章 绪论11.1 课题背景，研究内容及研究意义11.2 国内外研究现状11.3 单张图片的显著性物体检测的应用21.4 协同显著性物体检测的应用61.5 论文组织8第二章 相关工作102.1 单张图片的显著性物体102.2 协同显著性物体检测162.3 协同分割19 第三章 自适应权值的协同显著性物体检测21 3.1 概述213.2 简单决定权重模型223.3 局部显著性物体检测方法选择263.4 阈值模型273.5 空间条件模型29第四章 实验效果和分析304.1 图片测试集和评价标准304.1.1 数据集304.1.2 评价标准334.2 自适应权重的协同显著性物体检测方法实验结果344.2.1 PR 曲线和自适应阈值 344.2.2 固定阈值下的分割结果364.3 局部显著性检测方法选择实验结果394.3.1 PR 曲线和自适应阈值 394.3.2 固定阈值下的分割结果404.4 阈值模型实验结果424.4.1 PR 曲线和自适应阈值 424.4.2 固定阈值下的分割结果434.5 空间模型实验结果454.5.1 PR 曲线和自适应阈值 454.5.2 固定阈值下的分割结果464.6 总结47第五章 总结与展望48参考文献49发表论文和参加科研情况说明53致 谢54第一章 第一章 绪论 PAGE PAGE 1第一章 绪论1.1 课题背景，研究内容及研究意义随着计算机科学技术的发展，特别是多媒体技术的高速发展，数字图像和视 频数据充斥着我们的生活。处理这些数据以及从中获取对我们有用的信息已经成 为困扰人们的一个难题。计算机视觉技术在处理数字图像和视频等方法已经取得 了很大的进步，而且取得了很好的效果，比如图像检索、图片分割等。但是这些 方法在处理图片的时候一般都是在图片的全局空间上进行处理，使得时间上很多 方法都不能令人满意。因此，如果能够缩小这些方法的解空间，将精力都集中在 那些需要处理的数字图像和视频中的物体上，即使处理的技术不变，也能大大缩 小处理的时间和减少不必要的资源浪费。显著性物体检测就是这样的一种技术， 它能够从数字图像和视频中找到那些人们感兴趣的信息。这样只需要处理显著性 物体检测方法所锁定的范围，就能够达到缩小时间的目的。近年来，计算机视觉 领域在显著性物体检测方向进行了很多研究工作，取得了很好的效果。但是现有 的方法大都是专注于单张图片或者单张视频，很多时候仅仅考虑一张图片或者一 个视频的信息是不够的。有的时候多张互相有关联的图片和视频能够提供比单张 图片或者视频更多的信息，使用它们相互进行辅助在显著性物体检测上取得更好 的效果。在相互辅助方面，图像分割走在了前头，Rother 等[1]在 2006 年提出了 协同分割的概念，对一对图片同时进行分割。近两年计算机视觉领域在协同显著 性物体检测的方向上也做作了一些工作，但是还远远不够，仍然处在一个前期摸 索的阶段。协同显著性物体检测相对单张图片的显著性物体检测能够更精确的检 测到显著性物体，在效果上也是值得期待的。协同显著性物体检测不仅能够被应 用到单张图片的显著性物体检测所应用的领域，而且还能够被应用于图片的协同 分割、协同物体检测等领域。1.2 国内外研究现状视觉显著性是视觉系统从视觉信息中选择出将来要处理的后续信息。这可以 被看做是在选择出与现有的行为和任务相关的感兴趣的信息时同时去除不相干 的信息的一种过滤机制。显著性是一种视觉行为的有效模拟，通过计算图片的空间显著性区域找出图片中的显著物体。在过去几年中，显著性物体检测模型已经被成功应用到很多领域，例如物体识别、物体跟踪、图片和视频分割和图片视频 搜索等。显著性物体检测已经称为计算机视觉中一个非常热门的领域。在计算机视觉领域，显著性物体检测方法被分为自底向上的场景驱动模型和 自顶向下的期望驱动模型两大类。自底向上的方法主要基于图片景色的场景信 息，而自顶向下的方法则是由知识、期望和目的决定的。在自底向上的模型中， 图片中能够吸引注意力的区域在某些特征上一定和这些区域周围的区域能够显著的区分开。自底向上的方法是快速的和前馈的，与此对应的自顶向下的方法是 比较慢的和任务驱动的。在当前已有显著性物体检测方法中，自底向上的方法占大多数。现在已经提出了很多显著性检测的方法，例如 RC[2]、CA[3]等。这些显 著性检测方法大部分都是针对单张图片的显著物体性检测并且已经取得了不错 的效果。但是这些方法具有的一个共同的问题就是当图片的背景和前景颜色比较接近或者背景的纹理比较复杂时的时候一般都不能很好的检测到图片中的显著 性物体。针对这种情况，一般有两种解决思路，一种是继续寻找更好的显著性物 体方法；另外一种就是利用其