最新图像处理幻灯片.ppt

《最新图像处理幻灯片.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、图像处理视觉显著性的提出基于视觉注意的显著性区域检测对于图像分析过程有着非常重要的意义。注意是人类信息加工过程中的一项重要的心理调节机制。能够对有限的信息加工资源进行分配，使得感知具有选择能力。如果能将这项机制引入图像分析领域，将计算资源优先分配给那些容易引起观察者注意的区域，这样必将极大的提高现有的图像处理分析方法的工作效率，显著性区域检测正是在这个基础上提出并发展起来的。2可靠的视觉显著性估计使得在没有先验知识的情况下也能够对图像进行适当处理。因此，视觉显著性估计仍然是许多计算机视觉任务的重要步骤，其中包括：

2、图像分割、目标识别、自适应压缩、内容敏感图像编辑、图像检索等。我们提出了一种基于区域对比度的视觉显著性区域检测算法。又进一步提出了基于该显著性图的图像中视觉显著性区域自动分割方法。（正确率=90%，召回率=90%）37基于直方图统计的对比度（HC）生物视觉研究关于视觉显著性的观察认为，视觉系统对视觉信号的对比度是很敏感的。据此，我们基于输入图像的颜色统计特征提出了基于直方图对比度（HistogramContrast,HC）的图像像素显著性值检测方法。具体来说，一个像素的显著性值用它和图像中其它像素颜色的对比度来定

3、义。89具体来说，一个像素的显著性值用它和图像中其它像素颜色的对比度来定义。例如:图像中像素的显著性值定义为：10按照像素顺序展开为一下形式：11我们可以看到，由于忽略了空间关系，在这种定义下，具有相同颜色值的像素具有相同的显著性值。因此我们可以对上式进行重排，使得具有相同颜色值的像素归到一起，得到每个颜色的显著性值：12基于直方图的加速加速的关键在于能够减少图像像素颜色的总数。用全色彩空间来代替仅用亮度的方法。为了减少需要考虑的颜色数目，我们先将每个通道的颜色量化得到12个不同的值，这就将颜色数量减少到1728

4、。考虑到自然图像中的颜色只占据整个色彩空间很小的一部分，我们可以将出现率较小的颜色丢掉以减少色彩数目选择高频出现的颜色。1314颜色空间平滑虽然我们可以用颜色量化后的颜色直方图来高效计算颜色对比度，但是量化本身可能是会产生瑕疵。为了能够减少这种随机性给显著性值计算带来的噪声，我们用平滑操作来改善每个颜色的显著性值。每个颜色的显著性值被替换为相似颜色显著性值的加权平均。15我们选择m=n/4个最近邻颜色来改善颜色c的显著性值，见公式：其中归一化因数由以下公式得到：16相似的直方图区间在平滑过后会非常接近，这就表明相

5、似的颜色非常有可能分配到相似的显著性值，因此减少了量化的瑕疵。17实现细节为了将颜色区间量化为1728种不同的颜色，我们统一将每个颜色的通道划分为12个等级。虽然颜色量化在RGB颜色空间进行，但为了颜色距离计算与人类感知更加符合，我们在L*a*b*颜色空间来测量颜色距离。实验结果表明，最佳结果是在RGB颜色空间量化，在L*a*b*颜色空间测量距离得到的。18基于区域的对比度（RC）人们会更加注意到图像中和周围物体对比度非常大的区域。除了对比度之外，空间关系在人类对比度方面也起到非常大的作用。相邻区域的高对比度比很

6、远区域的高对比度更容易导致一个区域引起视觉注意。在计算像素级对比度时引进空间关系计算代价会非常大，我们引入一种对比度分析方法：区域对比度（RegionContrast,RC）。19用稀疏直方图比较来计算区域对比度用基于图的图像分割方法将输入图像分割成若干区域，然后为每个区域建立颜色直方图。对每个区域，我们通过测量它与图像其它区域的颜色对比度来计算它的显著性值，20两个区域和的颜色距离为：2122空间加权区域对比度通过在显著性值中引进空间权值，我们将空间信息加入进来，增加区域的空间影响效果。近邻的区域增大影响，较远

7、的区域减少影响。特别地，对任意区域，基于空间加权区域对比度的显著性定义为：23基于全局对比度的方法和其它方法的比较依据以下几个方面来选择其它方法进行对比：（1）引用数（IT和SR）（2）较新的方法（GB，SR，AC，FTandCA）（3）多种类（IT为生物驱动，MZ为纯计算，GB为两者混合，SR在频域进行处理，ACandFT输出全分辨率显著性图）（4）和我们方法最接近的（LC）2425为了全面测试我们提出方法的准确性，我们用了两种不同的客观比较方法进行试验第一个实验：固定阈值分割第二个实验：显著性分割26固定阈值

8、分割得到显著性物体的二值分割的最简单方法就是设定一个的阈值。为了可靠的比较多样的显著性检测方法高亮显著性物体的效果，我们将阈值设定为在0到255之间变化。272829显著性分割在已有工作中，显著性图以被用于非监督物体分割：Ma和Zhang通过在显著性图上进行模糊区域增长来找到矩形显著地区域；Ko和Nam在图像线段特征上训练支持向量机，然后将这些区域聚类来提取显著性物体；H