学位论文 > 优秀研究生学位论文题录展示

图像数据的视觉显著性检测技术及其应用

作　者: 杨俊
导　师: 王润生
学　校: 国防科学技术大学
专　业: 信息与通信工程
关键词: 视觉显著性选择性注意机制注意焦点感兴趣区域感知组织层次控制空时注意特征集成理论图像内容检索人造目标检测视频事件检测视频火焰检测
分类号: TP391.41
类　型: 博士论文
年　份: 2007年
下　载: 1211次
引　用: 6次
阅　读: 论文下载

内容摘要

图像是信息社会的主要数据资源,海量的图像数据给高效智能信息处理带来了挑战。我们注意到,人们关心的内容通常只是整幅图像或整段视频中很小的一部分,因此,有必要直接检测出它们,以获得高效的处理结果。这种处理思想源自于人类视觉的选择性注意机制和感知组织原则。由此,我们需要面对如下问题:如何利用视觉显著性的感知原理?如何描述和区分图像信息中可能存在的多种显著性事件?如何将这些心理学原理有效地引入图像分析进程?如何从静态图像或视频序列中快速检测用户关心的显著区域或事件?本论文围绕其展开了研究。论文第一部分集中讨论了视觉显著性检测的基本处理思想。首先,回顾了认知心理学的相关理论,讨论了视觉显著性和图像内容之间的对应关系,提出了一种基于内容相关度的视觉显著性表述策略,将图像显著事件分为弱相关事件和强相关事件两类;继而,分析了注意与组织的层次协作关系,提出了一种图像显著内容的层次描述与理解框架;接着,提出了一种基于泛化注意的图像视觉显著性检测模型,用以将选择性注意机制融入到整个图像处理过程中。论文第二部分集中研究了面向图像数据的视觉显著性检测方法。首先,提出了一种基于注意的显著区域分割及其特征学习改进算法,用以解决区域图像检索中的显著基元提取与描述问题。其后,研究了遥感图像目标识别的应用问题,(1)提出了一种人造目标检测模型和一种区域分割算法,用以解决人造目标候选区的聚焦问题。该模型是层次化结构感知的,区域分割是水平集演化;(2)构建了一种基于结构编组的人造目标分析框架、线结构基元的提取和编组方法,用以解决人造结构的感知组织问题;(3)提出了一种基于显著基元分类感知与编组的遥感道路检测和提取算法。随后,提出了一种基于空时注意的视频显著事件检测模型,并用于视频火焰事件检测和火焰显著区域的提取。论文最后提出了一种图像数据的视觉显著性检测技术实验系统的设计方法,讨论了其可能的潜在应用和扩展问题。论文中提出的各种模型和方法应用于多种类型的真实图像和视频,获得了预期的试验结果,体现出一定的可行性和适应性。

全文目录

摘要  11-12
ABSTRACT  12-14
第一章绪论  14-20
  1.1 课题的研究背景及意义  14-18
    1.1.1 课题基本背景  14-16
    1.1.2 主要研究内容  16-17
    1.1.3 相关研究现状  17-18
  1.2 课题的主要工作  18-19
  1.3 论文内容组织  19-20
第二章基于视觉显著性的图像理解  20-38
  2.1 概述  20
  2.2 认知心理学与计算视觉理论  20-29
    2.2.1 认知心理学概述  20-27
    2.2.2 视觉计算理论  27-29
  2.3 图像内容与视觉显著性  29-32
    2.3.1 图像内容及其层次性描述  29
    2.3.2 视觉显著性与图像内容描述的关联  29-32
  2.4 基于视觉显著性的图像理解  32-37
    2.4.1 引入注意机制的图像信息处理  32-34
    2.4.2 围绕层次注意的图像内容理解  34-35
    2.4.3 图像数据的视觉显著性检测  35-37
  2.5 本章小结  37-38
第三章图像信息的视觉显著性描述与检测  38-59
  3.2 视觉特征的选择与提取  40-47
    3.2.1 早期视觉特征的提取  40-41
    3.2.2 简单图像特征的选择  41-43
    3.2.3 简单特征提取方法  43-47
    3.2.4 多视觉特征的组合  47
  3.3 显著性度量与注意焦点检测  47-53
    3.3.1 特征的显著性度量  47-48
    3.3.2 自底向上的焦点检测  48-50
    3.3.3 自顶向下的焦点检测  50-53
  3.4 基于注意的图像显著性描述与检测  53-55
    3.4.1 两类FOA检测模式的协同工作  53-54
    3.4.2 基于泛化注意的图像显著性描述与检测  54-55
  3.5 注意应用方法与传统方法的比较  55-58
  3.6 本章小结  58-59
第四章基于显著区域的图像内容检索  59-76
  4.1 概述  59-63
    4.1.1 CBIR技术概况  59-60
    4.1.2 基于区域的CBIR方法  60-62
    4.1.3 基于显著区域的的CBIR  62-63
  4.2 基于FOA的图像显著区域提取方法  63-71
    4.2.1 图像FOA的检测  63-70
    4.2.2 显著区域的提取  70-71
  4.3 图像区域检索的特征学习与相关反馈  71-74
    4.3.1 显著区域的初始特征  71-73
    4.3.2 特征学习和分类  73-74
  4.4 本章小结  74-76
第五章面向人造目标的遥感图像显著性检测  76-104
  5.1 遥感图像人造目标的层次性检测  76-78
    5.1.1 人造目标的图像结构特征  76-77
    5.1.2 人造目标的层次检测模型  77-78
  5.2 遥感图像人造目标的区域聚焦方法  78-87
    5.2.1 人造目标区域检测的相关研究  78-79
    5.2.2 基于注意的人造区域检测模型  79
    5.2.3 显著性度量和注意焦点检测  79-81
    5.2.4 显著区域的水平集演化  81-85
    5.2.5 实验结果及其分析  85-87
  5.3 遥感图像的线结构基元提取与编组  87-93
    5.3.1 基于结构属性的遥感图像描述  87
    5.3.2 基于线基元感知的遥感图像人造结构分析  87-88
    5.3.3 线结构基元的层次提取与编组  88-93
  5.4 基于显著基元的遥感道路分类检测方法  93-103
    5.4.1 道路检测的相关研究  93
    5.4.2 道路场景的自动分类  93-96
    5.4.3 道路基元的分类提取  96-97
    5.4.4 道路基元的编组连接  97-100
    5.4.5 道路曲线的整合连通  100-102
    5.4.6 实验结果及其分析  102-103
  5.5 本章小结  103-104
第六章基于动态视觉显著性的视频事件检测  104-122
  6.1 面向视频的视觉显著性检测  104-106
  6.2 视频火焰事件检测技术  106-111
    6.2.1 视频火焰检测技术概况  106-107
    6.2.2 火焰的视觉特征描述  107-109
    6.2.3 已有的视频火焰检测方法  109-111
  6.3 基于空时注意的视频火焰区域检测  111-120
    6.3.1 显著性度量和FOA检测  112-116
    6.3.2 火焰颜色的运动区域演化  116-118
    6.3.3 实验结果及其分析  118-120
    6.3.4 多源信息显著性融合的烟火监测框架  120
  6.4 本章小结  120-122
第七章实验平台设计与技术展望  122-128
  7.1 实验平台系统的总体设计  122-126
  7.2 显著性信息处理技术的扩展  126-128
结束语  128-130
致谢  130-131
参考文献  131-153
作者在学期间取得的学术成果  153-154
作者在学期间参加的科研任务  154

图像数据的视觉显著性检测技术及其应用

内容摘要

全文目录

相似论文