摘 要

在这个信息技术日益发达的时代，我们的生活中出现了越来越多的图像信息，这提升了我们获取和传播信息的效率，但是也带来了非常多的无效信息，怎样快速有效的从图像信息中提取出有效信息，是现在的一个热门研究课题。鉴于人类的视觉系统能够快速高效的从场景中找到有效信息且忽略不需要的干扰，大量研究人员开始致力于模拟人类的视觉系统来对图像进行处理。

在文章中，我先对目前主要的模拟人眼视觉注意机制的显著性检测算法进行了概述，尤其对其中两种模型的原理和技术细节做了介绍。然后对现有的主要算法的原理以及特点进行了一定的分析，最后提出了两种改进算法。

一种算法是基于局部对比度和全局稀有性来进行检测的。全局稀有性的计算可以在目标同质区域获得更好的显著图，而局部对比度的提取可以获得更好的目标边缘。将局部和全局显著性操作的优势进行互补，可以获得更好的显著性检测结果。

另一种算法是结合贝叶斯的显著性检测模型，通过由粗到细，循序渐进的方式计算显著概率。通过计算包含了全部或大部分显著目标的凸包，并结合凸包计算似然概率。提出了两种先验概率，其一是通过衡量图像中像素与凸包内像素的差异来估计先验概率，另一种利用了提出的局部全局方法的成果，根据图像的特征分布和对比估计先验概率。将先验概率和似然概率按照贝叶斯公式结合起来获得最后的检测结果。

在对这两种算法进行相关的测试之后发现，第一种算法得到的显著图可以较好地表现目标内的同质区域，而且得到更好的目标结果。第二种算法中的的两种显著性检测模型也能够得到较好的检测效果，第一种偏重于计算的实时性，第二种偏重于检测效果。

关键字：图像信息；视觉系统；注意机制；显著性检测

Abstract

In this era of increasingly developed information technology, more and more image information has appeared in our life, which improves the efficiency of obtaining and disseminating information, but it also brings a lot of invalid information. How to extract effective information from image information quickly and effectively is a hot research topic now. . In view of the human visual system can quickly and efficiently find effective information from the scene and ignore the unnecessary interference, a large number of researchers are starting to simulate human visual systems to process images.

In this article, I first outlined the main simulation of the main simulation of human visual attention mechanism, especially the principles and technical details of the two models. Then, the principles and characteristics of the existing algorithms are analyzed. Finally, two improved algorithms are proposed.

One algorithm is based on local contrast and global rarity. The computation of global rarity can obtain better saliency maps in homogeneous regions, while the extraction of local contrast can achieve better target edges. Complementary advantages of local and global saliency operations can result in better saliency test results.

The other is to combine the Bayesian network with the significant detection model and combine the Bayesian network to calculate the significant probability in a step-by-step way from coarse to fine. By calculating the convex hull containing all or most significant objects, the likelihood probability is calculated by combining convex hull. Two priori probabilities are proposed, one is to estimate the priori probability by measuring the difference between pixels in the image and the pixels in the convex hull. The other uses the results of the proposed local global method to estimate the priori probability according to the feature distribution and contrast of the image. The prior probability and likelihood probability are combined with Bayesian network to get the final detection results.

After testing the two algorithms, it is found that the first algorithm can show the homogeneity of the target and get better target results. The two saliency detection models of the second algorithms can also get better detection results. The first one is more important than the real time of the calculation, and the second is on the detection effect.

Key words: image information；visual system；attention mechanism；saliency detection

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1研究背景 1

1.2 研究现状 1

第二章 基于局部对比度与全局稀有性的显著性检测 3

2.1 结合局部对比度和全局稀有性的检测模型 3

2.2 改进的结合局部对比度和全局稀有性的检测模型 6

2.2.1 局部显著性计算 7

2.2.2 全局显著性计算 9

2.2.3 综合显著性计算 10

2.3 实验分析 11

2.3.1 本文方法效果 11

2.4 本章小结 14

第三章 结合贝叶斯公式的显著性检测 15

3.1 贝叶斯模型 15

3.2 改进的贝叶斯模型 17

3.2.1 先验概率 18

3.2.2 似然概率 22

3.3 实验分析 23

3.3.1 本文方法效果 23

3.4 本章小结 25

第四章 总结与展望 26

4.1 论文总结 26

4.2 后续研究与展望 26

参 考 文 献 28

致 谢 30

第一章 绪论

1.1研究背景

随着计算机技术的日益发展，图像处理逐渐成为了计算机视觉领域的一个重要组成部分，并且受到了越来越多的国内外专家学者的关注。随着科技的发展，各种各样的新型数码产品层出不穷，越来越多的图形图像信息出现在人们的日常生活中，其中不仅包括很多的有效信息，也掺杂了大量的无用信息，这就导致我们的效率受到了严重的影响。因此，现在研究人员开始研究如何快速准确地识别图像中的有效信息和目标，他们想要对图像建立一个显著性检测模型，这个模型可以找到人们对图像中比较关注的信息，这样就方便人们执行后续的处理任务。

我们人类的视觉系统能够处理大量的信息，这些信息通过视网膜传入我们的神经系统，通过大脑来识别和提取其中的有效信息。我们能够做到这样的主要原因之一是我们的视觉系统存在注意调节机制。这个机制能够对通过视网膜传入的视觉信息根据视觉显著性进行选择和处理，从中提取出有效信息，这样就提高了处理速度。视觉注意调节机制是一个结合了心理学、神经科学等多个学科的多领域交叉的新型课题，视觉显著性是一个相对属性，用于表示场景中的特异性，它由场景中的一个细节与它的背景的差异程度来决定。它作为一个工具可以为生物和人工视觉系统提供高效解决方案，可以有效的预测动态或静态场景中的注意和关注区域。而且，显著性可以很好的确定视觉场景下人类感兴趣的区域，但是计算机却很难准确快速的从图像中识别和提取目标，所以研究人员希望能够通过计算图像显著性，模拟人类的视觉系统来对大量图像信息进行快速处理。

在包括目标识别，内容感知图像编辑和图像检索，图像分割，广告设计和视觉修复，自适应压缩等计算机视觉领域的很多方面，图像的显著性检测可以起到很重要的作用。因为对于显著性检测算法的研究还处于基础阶段，而自然场景又是很复杂的，所以要使显著性检测算法得到更深入的研究和发展不能单靠人类对图像的理解，还要进一步的研究和探索人类的视觉注意机制。显著性检测拥有着很高的使用价值和广阔的发展空间，所以研究人员们一直以来在模拟视觉显著性的理论研究和应用上投入了大量的时间和精力，也得到了很多的研究成果，提出了很多用来计算图像显著性的显著计算模型。

1.2 研究现状

近几十年以来，大量的国内外科研人员在进行着完善和优化显著性检测算法的研究，希望可以对人类的视觉注意机制进行最大程度上的模拟。Gelade和Treisman提出了特征整合理论，现在的很多显著计算模型都是在这个理论的基础上建立的，特征整合理论指出了哪些视觉特征是更重要的，这些特征通过弹出效应并结合起来引导人类注意以完成搜索任务^[10]。Ullman和Koch在特征整合理论的基础上提出了一个前馈模型来结合图像中的特征，并且建立了显著图的概念，用场景中显著的、引人注意的位置来代表显著图^[12]。Ullman和Koch的理论由Itti等人进行了首次实现和验证，通过计算平行特征的显著性（灰度、颜色和方向），通过构建高斯金字塔并利用高斯差分计算中心周边的差值得到显著图，并对得到的显著图进行归一化和融合以得到最终的显著图，以后的显著性计算模型都是在这个模型的基础之上研究出来的^[3]。

因为视觉注意机制由自底向上和自顶向下两种方式组成，所以现在主要的计算模型也是基本上基于这两种注意机制中的一种。自底向上的显著性检测模型由于模拟人类在无意识情况下对场景的一个分析过程，直接对底层信息进行处理来衡量显著性，使得大部分的自底向上的显著性检测模型都能够较快的完成显著性检测，并且能够得到较好的显著性结果，突出场景中的显著目标或是区域的显著性，但是由于没有相关的先验知识，导致了在特定的目标的检测过程中，其结果并不能在一群目标中将特定的目标与其他目标进行区分。而自顶向下的检测模型，因为增加了任务驱动的先验知识，提前对特定目标的字典或是模版进行了训练，所以在对特定目标的检测过程中可以得到较好的效果。但是这种模型前期的训练过程工作量很大，非常复杂，而且很难全面考虑到一个目标的对应特征在各种情况下的表现情况，要全面的考虑光照，角度和旋转等方面的变化情况是一个很难完成的任务。因此现在的显著性检测模型大部分都是建立在自底向上的注意机制的基础上的，本文也基于自底向上的注意机制提出了显著性检测模型。

第二章 基于局部对比度与全局稀有性的显著性检测

在观察一幅图像时，人们的注意力总是集中在自己感兴趣的区域或者目标上，会自动把不重要的背景部分忽略掉。在像这样没有特定目的（无先验知识或无任务）的观测过程中，目标能否吸引到人类的注意力从而在场景中脱颖而出是由多个方面的因素决定的。本章主要研究其中两个方面的影响因素，即全局稀有性和局部对比度两个方面^[4]。

2.1 结合局部对比度和全局稀有性的检测模型

自底向上的显著性检测模型主要模拟人类视觉注意机制的自底向上过程，模拟无意识状态下场景的显著性检测，处理方向，颜色，灰度等底层特征，旨在提取重要目标。现有的显著模型按照其对底层特征的处理方式可以大致分为基于局部对比度，基于全局稀有性和结合局部和全局的显著性这三种^[11]。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：