1、專業(yè)學(xué)位碩士學(xué)位論文基于部分吸收隨機(jī)游走的協(xié)同顯著性檢測(cè)CoSaliencyDetectionBasedonPartiallyAbsorbingRandomWalks學(xué)號(hào)：31309017完成日期：20150501大連理工大學(xué)DalianUniversityofTechnology大連理工大學(xué)專業(yè)學(xué)位碩士學(xué)位論文摘要隨著多媒體技術(shù)不斷進(jìn)步，通過(guò)圖像傳遞信息的方式得到了迅速發(fā)展，數(shù)字圖像的處理成為了一個(gè)難題。顯著性檢測(cè)是在圖像中發(fā)現(xiàn)感興趣

2、的目標(biāo)區(qū)域，因?yàn)檫@些區(qū)域包含重要的信息并且能吸引人的視覺(jué)注意。然而，隨著應(yīng)用場(chǎng)景的不斷變化和增加，僅對(duì)單幅圖像的顯著性檢測(cè)已經(jīng)不能滿足檢測(cè)圖像目標(biāo)的要求，近來(lái)，產(chǎn)生了在一組圖像中檢測(cè)顯著性目標(biāo)的算法，這被定義為協(xié)同顯著性檢測(cè)。協(xié)同顯著性檢測(cè)的目的是在多幅圖像中發(fā)現(xiàn)共同顯著的目標(biāo)，相比于單幅圖像的檢測(cè)，它把在其它圖像中凸顯目標(biāo)作為新條件，這增加了問(wèn)題的難度?？紤]到協(xié)同顯著性檢測(cè)是直接源于對(duì)單幅圖像的顯著性檢測(cè)，因此本文從單幅圖像的顯著性檢

3、測(cè)出發(fā)，利用基于圖的檢測(cè)模型先對(duì)單幅圖像進(jìn)行檢測(cè)。與以往檢測(cè)方法不同，本文首先用自擴(kuò)散的方法優(yōu)化圖模型中的相似度矩陣，優(yōu)化后的相似度矩陣能更好捕捉到圖的內(nèi)在結(jié)構(gòu)。然后將部分吸收隨機(jī)游走應(yīng)用到顯著性檢測(cè)中，并將經(jīng)自擴(kuò)散優(yōu)化后的相似度矩陣融入其中，這里我們用吸收概率衡量顯著性。最后，考慮到協(xié)同顯著性檢測(cè)領(lǐng)域中兩幅圖和多幅圖的檢測(cè)存在差異，因此我們用兩種不同的方法分別對(duì)多幅圖像和成對(duì)的圖像進(jìn)行檢測(cè)。在多幅圖像中，我們以圖像邊界作為種子點(diǎn)，用自

4、擴(kuò)散部分吸收隨機(jī)游走獲得初始顯著圖，將得到的初始顯著圖閾值分割，利用協(xié)同顯著目標(biāo)的統(tǒng)計(jì)特性，在每幅圖中選取協(xié)同種子點(diǎn)，最后在每幅圖像中傳播顯著性。在兩幅圖的檢測(cè)中，我們用多尺度獲取代表圖像間信息的前景相似概率，用吸收概率獲取代表圖像內(nèi)信息的背景相似權(quán)重，最后用優(yōu)化目標(biāo)函數(shù)的方法將兩種顯著性線索融合到一起。我們?cè)趲讉€(gè)公開的數(shù)據(jù)集上分別對(duì)文中的每一個(gè)算法的有效性進(jìn)行測(cè)試，并和當(dāng)前主流的～些算法進(jìn)行比較。結(jié)果表明，我們的算法取得了良好的效果。