基于多尺度機器學習和稀疏表示的顯著性檢測.pdf

1、隨著社會的進步和人類生活方式智能化地轉(zhuǎn)變，計算機視覺被廣泛應用到軍事、航天、航海乃至人們的日常生活中的方方面面。迫切的市場應用需求推動著這項理論研究的不斷革新和發(fā)展。而在計算機視覺中，顯著性檢測就是模擬大腦的視覺信號處理分析過程，找出圖像信息中最感興趣最顯著的部分。本文旨在普遍提高顯著性檢測智能識別顯著區(qū)域的精確度。
　　本研究首先采用單一尺度上的隨機森林模型對訓練圖集進行特征學習，以獲得分類器模型，進行測試實驗獲取圖像的前后景顯

2、著性分類結(jié)果。同時，為了增強對圖像顯著目標的輪廓和細節(jié)的描述，引入了多尺度學習的概念，用以提高分類器模型的準確度。兩次測試實驗的結(jié)果表明，多尺度隨機森林學習的顯著性檢測結(jié)果相比較單一尺度的檢測結(jié)果性能得到了明顯的提高，但是從客觀的圖像評價指標數(shù)據(jù)結(jié)果上看并不理想，所以該算法需要進一步優(yōu)化。然后，在稀疏表示法的基礎上結(jié)合機器學習的結(jié)果進行優(yōu)化。其一，在稀疏表示算法上引入罰函數(shù)，架構(gòu)起加權(quán)稀疏表示模型。其二，針對不同的字典類型進行重構(gòu)，不斷

3、迭代計算得到最優(yōu)解，轉(zhuǎn)化成最終的顯著性圖譜。其中，背景字典的初始值是引入了機器學習得到的顯著性檢測結(jié)果的分類標記。經(jīng)過測試實驗，分析得到該算法自身具備優(yōu)化性能。此外，針對不同類型的圖像數(shù)據(jù)集，本算法對比了其他9種優(yōu)秀算法的顯著性檢測結(jié)果，從主觀、客觀兩方面就實驗結(jié)果進行了詳細的分析。進一步證明，本算法具有優(yōu)良的顯著性檢測性能表現(xiàn)。并且對于實驗效果，進行了客觀、詳細的分析，對進行進一步研究優(yōu)化提出了合理的建議。最后，對全文進行總結(jié)和展望。