基于生成模型与判别模型的联合显著性检测-信号与信息处理专业论文.docxVIP

优秀毕业论文 精品参考文献资料 研究生优秀毕业论文 大连理工大学硕士学位论文摘 大连理工大学硕士学位论文 摘 要 人在面对复杂场景时，能够快速的将注意力集中在少数感兴趣的区域，然后利用有 限的处理能力对该区域进行优先处理。显著性目标检测作为计算机视觉领域中的一个重 要分支，其任务就是模拟人类视觉系统识别图像中显著目标的区域，并输出一幅显著图 来表示每个像素属于显著目标区域的可能性。 本文提出了一种基于生成模型与判别模型的联合显著性检测算法，利用了生成模型 (基于稀疏表达)与判别模型(基于回归)对图像进行联合协同检测。首先，通过背景 图像块搜索算法获取大量的背景图像块，利用字典学习训练得到背景字典，计算每个超 像素在该背景字典下的稀疏重建残差，将此重建残差作为该生成模型输出的初始显著 值。然后，引入基于回归的判别模型，从图像块中学习特征之间的关联性，依据特征间 关联性以及图像块初始显著值重新回归各个图像块的显著值，使得相似区域的显著值一 致且连续。为了适应不同尺度的显著目标检测，引入多尺度融合算法获得前景目标更加 细化的像素级显著图。最后，利用目标重定位算法得到目标级显著图，进而粗略定位显 著目标位置抑制背景区域噪声，与多尺度融合后的显著图结合，得到目标均匀突出的显 著映射图。 本文算法在四个公开的显著性目标检测数据库上进行了评测，并与22种经典算法 进行了定性和定量的比较。实验结果表明，相对于其他经典算法，本文算法产生的显著 图能够准确均匀地突出显著目标，在准确率．召回率曲线以及F．measure值的对比上，也 展现了极大的优势。 关键词：显著性检测：生成模型：判别模型：稀疏表达 万方数据 基于生成模型与判别模型的联合显著性检测Saliency 基于生成模型与判别模型的联合显著性检测 Saliency Detection via a Unified Generative and Discriminative Model Abstract Humans have the capability of directing the attention to regions of interest(ROI)rapidly and exploiting the limited resources to process the ROI in complex scenes．Saliency detection， which is a branch of image processing in computer vision，aims to identify the salient object by simulating human visual system and generate saliency map where the intensity of the pixel indicates the likelihood of it belonging to the salient object． In this paper，we propose a visual saliency detection algorithm which incorporates both generative and discriminative saliency models into a unified framework．First，we utilize the algorithm of searching image patches to collect abundant background superpixels．The background dictionary could be learnt from those background superpixels．Then we develop a generative model by defining image saliency as the sparse coding residual based on a learnt background dictionary．Second，we introduce a discriminative model by solving an optimization problem that exploits the intrinsic relevance of similar regions for regressing region-based saliency to the smooth state．Considering the objects of different size，we exploit the algorithm of mult