基于无监督抠图模型的显著性区域提取算法研究-计算机应用技术专业论文.docx

万方数据 万方数据 合 肥 工 业 大 学 学历硕士学位论文 基于无监督抠图模型的 显著性区域提取算法研究 作者姓名： 马陈 指导教师： 李钢 研究员 学科专业： 计算机应用技术 研究方向： 图像理解 2014 年 4 月 A Dissertation Submitted for the Degree of Master Research on Image Salient Region Extraction Algorithm Based on Unsupervised Matting Model By Ma Chen Hefei University of Technology Hefei, Anhui, P.R.China April, 2014 61 致谢 致 谢 能来到合肥工业大学就读硕士研究生我感到非常荣幸，这段时间也将是我一 生都会为之骄傲的经历，然而更使我难以忘怀的是认识了关心、支持我的导师和 一群永远会相互扶持、一起奋斗的同学、朋友。硕士研究生这三年有收获也有遗 憾，为了理想有奋斗也有无奈，回望这三年可以看到自己在曲折的中取得了明显 的进步。这三年，我经历了许多难以忘怀的事，但是当我认真的去回忆它们时却 又显得那么模糊不清，清楚的只是一张张熟悉的脸庞。在这里我要向陪伴我走过 三年的老师、朋友、同学和家人表示由衷的感谢。 首先我要感谢的是我的导师李钢老师和张仁斌副教授。正是两位导师渊博的 领域学术知识和耐心的指导把我带入科学研究的道路。两位严谨的治学态度教导 我在科学研究上应当认真、谨慎、刻苦和努力。这些都是我人生道路上的知识和 精神财富，在今后的学术研究和工作中我将牢记两位导师的教诲，踏踏实实的去 走自己的每一步。 其次我想感谢实验室的伙伴张慧君和秦亚军。三年来，相互扶持、相互鼓励， 一路走来克服一个个困难实属不易。这份友谊是缘分也是沉淀；是现在也是未来； 是毕业时一杯醇厚浓郁的酒也是白发时碧绿清香的茶。师兄李兴兴和师姐夏宏丽， 虽然他们已经毕业一年，但是我们依然彼此都在相互关心、共同努力，一起为生 活而奋斗。还有实验室的师弟师妹们：凌晋江、叶秋、汤倩、夏晓云、王聪、谢 瑞，你们的勤奋和对未来饱满的激情鼓励着我，也触动着我。实验室的每一位成 员都很重要，我们一起组成了这个大家庭，组成了每一个人的回忆。 然后，感谢三年来生活上相互包容、相互体贴的室友们。正是你们的支持和 帮助才使我非常开心的度过这三年，我会永远记住那些难忘的岁月。 最后，我要感谢一直站在我身后的家人。在外学习的三年让我懂得以前无法 理解的“家”的含义：它是我可以痛苦流泪的地方；它是我一切动力的源泉；它 是我起航的港湾；也是我最终要回去的地方。 再次感谢所有帮助和关心我的老师、同学、朋友和家人，感谢你们！ 作者：马 陈 2014 年 4 月 9 日 I 摘要 摘 要 对自然场景中高视觉显著度区域的提取和识别一直是计算机视觉、图像理解 中的研究热点，在目标识别、基于内容的多媒体信息检索等领域，也具有广泛的 应用价值。传统的区域边缘提取主要有两类，即基于 Bottom-up 的图像分割方法和 基于 Top-down 的图像分割方法。Bottom-up 的分割方法可以标出图像中色彩或灰 度变化剧烈的“边缘”，但是对“噪声点”敏感，并且没有充分考虑到人眼视觉注 意力选择机制的指导，因此 Bottom-up 方法容易导致目标区域“过分割”、“错分割” 的问题。Top-down 可以较好的分割出目标区域信息，但是需要先验信息指导，当 面对较复杂的自然场景时就显得力不从心。如何在自然场景中准确提取显著性区 域的位置与边缘信息是本文的研究点。 为了解决上述问题，本文首先提出了一种无监督抠图模型，然后基于该模型 对图像显著性区域进行提取。根据不同场景中前景目标特征实现对高显著性区域 目标边缘的准确提取，降低图像分割中对“噪声点”的敏感度，减小对先验指导 信息的依赖，具有较好的鲁棒性。本文的主要工作如下： （1）根据视觉概率统计模型提取场景中视觉显著度较高的前景目标 SIFT 特 征点与显著度较低的背景 SIFT 特征点，提供训练集数据并实现前景目标 SVM 分 类器。 （2）为实现显著性区域提取，利用抠图对自然场景图像的显著性区域进行提 取。针对基于学习的数字抠图算法，研究了 Trimap 在该算法中的特性，得出了 Unsup-Trimap 的理论依据。 （3）根据 Unsup-Trimap 理论依据设计一种 Unsup-Trimap 生成算法，该算法 的设计主要包括目标区域粗定位和无监督区域填充两部分，并通过实验证明了本 文 Unsup-Trimap 在显著性区域提取中的合理性。基于以上研究结论，设计了自然 场景中显著性区域提取方法。 （4）设计