论文部分内容阅读
视觉注意机制可以有选择地处理视觉信息，具有能够优先选择人眼感兴趣区域的能力，视觉显著性检测将视觉注意机制引入到图像检索、图像压缩、目标分割、目标识别等方面，保证了图像处理中获取信息的高效性。设计出一套稳定性好、鲁棒性强的视觉显著性算法具有重要意义。 针对多尺度金字塔显著性检测算法的设计和实现，按照特征提取、显著性度量、显著图融合的步骤展开研究，本文的主要研究成果如下: 首先，针对传统的显著性检测算法强调中心强度而忽略边缘信息、分辨率低的缺点，对图像的底层特征和特征的显著性度量展开研究，基于融合局部能量特征和边缘特征的多底层特征，提出了融合局部度量和全局度量的显著性检测算法。新算法增强了周边区域的响应特性，突出了显著目标的边缘，能够有效地表达出显著目标的整体结构信息和内部细节信息。 其次，在多尺度显著图融合和多特征显著图融合两方面对显著图融合算法展开研究，设计了多尺度多特征显著图融合算法。算法提高了显著图的分辨率，增强了显著目标的紧凑性。同时，本文主观、客观地评价了设计的显著性检测算法模拟人类视觉注意的能力和检测显著目标的完整性程度，实验表明，算法能够模拟人类视觉注意机制，有效地检测出完整的显著目标。 再次，针对SURF(Speed Up Robust Feature)特征匹配算法无区别地对待每个像素点、匹配时间与图像大小成正比的缺点，利用显著性检测算法的选择性，将本文设计的一套多尺度C-S金字塔显著性检测算法与经典的SURF特征匹配算法相结合，提出了基于视觉显著性的SURF特征匹配算法，采用多区域匹配策略，实现有层次的显著区域匹配。实验表明，基于视觉显著性的SURF特征匹配算法有效地降低了误匹配率，弥补了匹配时间与图像大小成正比的不足。 最后，在以C6678DSP处理器为核心的图像处理硬件平台上实现本文提出的视觉显著性算法，根据硬件平台和算法结构进行并行设计、实现及优化，测试结果表明，优化后的算法处理速度有明显的提高。