| 题名 | 超复数变换域下的视觉显著性检测算法研究 |
| 作者 | 万玉奇 |
| 答辩日期 | 2018 |
| 导师 | 李策 |
| 关键词 | 显著性检测 超复数 频域变换 注视点 卷积神经网络 |
| 学位名称 | 硕士 |
| 英文摘要 | 随着电子产品的普及和网络传输的发展,图像、视频等数字信息急速增长。我们在每天的生活工作中都会接触到很多图像、视频,面对海量的数字信息,如何快速有效的从中提取有价值的信息是一个很有意义的研究课题。显著性检测算法从图像、视频中提取出显著的信息,可以用于很多视觉任务的后续工作。频域的显著性检测算法具有快速的特性,用超复数表示彩色图像,可以较好的反映图像的颜色特性,因此研究超复数变换域下的显著性检测算法具有重要的理论意义和实践价值。本文的主要工作包括以下三个方面~*:(1)为了提高频域显著性检测算法检测出的显著区域的完整度,提出了一种基于超复数傅里叶变换(Hypercomplex Fourier Transform,HFT)幅度谱优化的显著性检测算法。在对HFT变换的幅度谱分析时发现,整个频率谱的高幅值部分是由图像的背景区域引起,而频率谱的局部高幅值部分是由图像的显著区域引起的,因此只需要对频率谱的高幅值部分进行平滑抑制就可以突出显著信息。所提算法首先对图像进行HFT变换;然后,根据实验选择出五个阈值,分别对高于阈值的幅度谱进行平滑处理;最后,结合平滑后的幅度谱和原始相位谱逆变换,计算初始显著图,并根据信息熵选择出最优的显著图。对比实验表明,所提算法具有较高的显著性检测精度。(2)为了提高频域显著性检测算法检测出的显著区域边缘清晰度,提出了一种基于超复数离散余弦变换(Hypercomplex Discrete Cosine Transform,HDCT)先验边界的显著性检测算法。HDCT变换具有能量集中在低频的特点,本文采用HDCT的低频能量表示图像块的特征,并根据图像块与边界块之间能量特征的差异计算显著图。所提算法首先对图像块进行HDCT变换,然后使用频率谱中的低频能量表示图像块的特征,最后通过能量特征块与边界特征块之间的差异计算图像块的显著值,并对图像块的显著值进行归一化计算显著图。对比实验表明,所提算法具有较高的显著性检测精度。(3)为了提高频域显著性检测算法对注视点的检测精度,提出了一种基于超复数小波变换(Hypercomplex Wavelet Transform,HWT)深度视感知的注视点检测算法。图像的HWT变换产生多个子带多个方向的细节图,可以较全面的反映出图像的细节特征,用卷积网络训练细节图,可以较好的提取图像的注视点特征。所提算法首先对图像进行HWT一级分解变换,然后使用降低维度的卷积网络将多层细节图融合成具有较低维度的待训练特征图,最后通过一个改进的VGG16模型进行注视点的检测。对比实验表明,所提算法提高了注视点的检测精度。 |
| 语种 | 中文 |
| 页码 | 72 |
| URL标识 | 查看原文 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.lut.edu.cn/handle/2XXMBERH/93840]  |
| 专题 | 兰州理工大学 |
| 作者单位 | 兰州理工大学 |
| 推荐引用方式 GB/T 7714 | 万玉奇. 超复数变换域下的视觉显著性检测算法研究[D]. 2018. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论