论文部分内容阅读
本文对目标检测和图像分割这两个数字图像处理领域中的任务进行了研究。在目标检测方面，在视觉显著性算法的基础上，提出了两种新的目标检测算法，分别用于显著性目标检测以及视频火焰检测;在图像分割方面，在基于活动轮廓模型(Active ContourModel，简称ACM)图像分割算法上，提出了两种新颖方法，分别用于显著性目标分割和多相位非均匀图像分割。论文取得的主要研究成果如下: (1)本文提出一种基于线性邻域重构的显著性提取方法。所提算法基于两个方面:第一，显著性的目标区域在外观上通常相对紧致和均匀，而背景区域则相反。因此，显著目标区域成分比背景更容易被其邻域成分重建;第二，前景和背景线索可以融合起来预测显著目标区域。在图线性邻域重构的基础上挖掘这些线索来计算超像素的显著性。因为越相似和越近的节点更容易从背景或前景的标记节点那得到标签，所以显著性提取可视为在每个节点标签重构问题。最后在MSRA-1000和Berkeley基准数据库的实验结果表明所提算法的准确性和效率。 (2)本文针对火焰检测的问题，结合火焰特征和自底向上的视觉注意机制算法，提出了基于四元数傅里叶变换的视频火焰检测算法。根据需检测的火焰这一目标的自身特征，分别定义了图像的亮度、颜色、纹理和运动信息并提取出来，组成一个新的四元数图像，然后利用四元数傅里叶变换处理该四元数图像，获得最终火焰显著图。实验结果验证了所提算法在火焰检测上的有效性和鲁棒性。 (3)局部化区域型活动轮廓模型(Localizing region-based active contours，LRAC)分割结果非常依赖初始轮廓的位置，而有效的初始轮廓一般很难给定。为解决这一问题，本文提出了基于视觉显著性的图像自动分割模型。该模型通过显著性提取算法得到图像的显著图，然后提出显著性密度最大化方法定位显著目标，再对得到的显著目标的像素点使用凸包算法自动得到初始轮廓。最后LRAC模型利用这个初始轮廓就可以精确地分割得到显著目标。在大型的自然图像数据库测试实验中表明所提算法无需给定初始轮廓而可以在复杂背景里自动提取显著目标。 (4) MCV(modified Chan-Vese)模型存在两个缺点:分割结果非常依赖初始轮廓的位置和对非均匀的图像的处理结果不准确。针对以上两个缺点，本文提出了局部化MCV模型。首先，提出一个初始化步骤得到初始曲线，该步骤可以减少曲线迭代的次数和复杂背景的影响;其次，根据不均匀图像的特性将局部图像信息引入到MCV模型的能量函数中帮助处理不均匀图像。实验结果表明，与MCV模型相比，局部化MCV模型需要更少的迭代次数并确保对均匀多相图像进行更准确的分割。此外，该模型在处理非均匀多相图像时也能表现出比较好的性能。