自然场景图像的显著区域检测算法研究

摘要

人类的视觉系统在面对复杂场景时，可以轻易并且高效的从中检测和提取感兴趣信息，并优先将这些感兴趣信息输送给意识。在计算机视觉领域，研究自然场景图像的显著区域检测算法，去模拟人类那种高效选择的注意机制，这个课题是非常有必要的。图像中的显著区域，指的是图像中最能够代表这幅图像内容的部分，并且最能够引起人们视觉关注的部分。目前现有的算法普遍存在以下问题，一是不能均匀高亮整个显著区域，二是对于背景杂乱的图像没有很好的鲁棒性，三是显著目标大小未知带来的计算冗余。针对这些问题，本文提出两种自然场景图像显著区域检测算法。
　　第一种方法是基于联合稀疏多尺度融合的显著区域检测方法，对图像构造多尺度高斯金字塔，得到多尺度的特征，然后应用联合稀疏表示的框架计算稀疏表示系数,把得到的稀疏表示系数作为新的图像特征计算图像的显著性最后把多尺度下的显著结果进行融合得到最终显著图。并对算法进行了仿真实验，实验结果展示了算法的效能。
　　第二种方法是基于超像素的全局显著区域检测方法，用SLIC超像素分割方法对于给定的输入图像进行分割，对分割之后的区域计算每个区域关于全局所有区域的相似度，每个相似度给予一定的相似性权值，加入图像局部邻域相似性的约束，对全局显著图进行修正。并对并对算法进行了仿真实验，实验结果展示了算法的效能。
　　本文还介绍了两个应用。第一个是基于纹理特征的高分辨SAR图像典型地物分类，主要思想是构造灰度共生矩阵去分析图像内部的纹理信息，使用Bhattacharyya距离对特征进行筛选，并进行最后的分类。第二个基于非局部邻域的多时相SAR图像变化检测，主要思想是应用非局部均值操作对图像中的每一个图像块进行处理，计算每个像素点的差异值。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

缩略语对照表

目录

第一章 绪论

1.1 课题背景及研究意义

1.2 研究现状

1.3 结构安排

第二章 图像显著性检测的基本方法

2.1 引言

2.2 视觉注意模型

2.3 特征的选择和提取

2.4 显著性检测遵循的准则

2.5 显著性检测结果的评价标准

2.6 显著性检测方法的分类

2.7 本章小结

第三章 基于联合稀疏多尺度融合的图像显著区域检测方法

3.1 引言

3.2 模型概述

3.3 模型实现

3.4 仿真结果

3.5 本章小结

第四章 基于超像素的全局显著区域检测方法

4.1 引言

4.2 模型概述

4.3 模型实现

4.4 仿真结果

4.5 本章小结

第五章 高分辨SAR图像典型地物分类和多时相SAR图像变化检测

5.1 引言

5.2 高分辨SAR图像典型地物分类

5.3 多时相SAR图像变化检测

5.4 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢

作者简介

1.基本情况

2.教育背景