-
摘要人类视觉是一个非常庞大的系统，对于图片的处理十分复杂。在人们看到一幅图片的时候，视觉系统会自动抓住图像的显著信息，从而实现更加高效，直接的对图片信息进行解读。显著性检测就是基于人类视觉这一特点，希望在没有先验知识的情况下，根据图片的某些特性，快速高效地估计出图片的核心。改进算法是我们在学习了程明明的HC算法后结合对数据库的处理结果，在原有图像颜色信息上加入了对纹理的描述——PIF,通过图像的这两种特征的共同描述来进行对图像的改进表达。该算法在一定程度上改进了HC对某些目标自身内部不一致的图像的检测结果。同时我们对于HC处理效果比较好的一些图片从结果的角度上看也获得了一定程度的加强。22698
- 上一篇：ASP新闻采集系统设计与实现
- 下一篇：基于android平台的音乐播放器设计
关键词 图像处理；HC算法；PIF算法；
毕业设计说明书（毕业论文）外文摘要
Title HC saliency
Abstract
Human visual system is a very large system，It is very complicated for the image processing.When people see a picture,Visual system will automatically grab significant information of image.In order to achieve a more efficient and straightforward to interpret the information on the picture.Detection is based on the significant characteristics of the human visual,witch hope in the absence of prior knowledge.Improved algorithm is that we learn Ming-Ming Cheng the HC algorithm combines the results after the database,In the original image color information added texture description - PIF algorithm.By common description of the image of these two features to improve the image of expression.The algorithm is improved to some extent, some of the results of the detection target HC own internal inconsistency image,we better treatment effect for HC also received some pictures to a certain extent from the perspective of strengthening the results point of view.
Keywords Image processing HC algorithm PIF algorithm
目 次
1 引言 1
1.1 课题背景 1
1.2 相关工作 3
1.3 论文结构 5
2 基于直方图对比度的显著性检测 7
2.1 基于直方图的颜色统计 7
2.2 算法的优化加速 7
2.3 本章总结 9
3 图像不一致性描述 11
3.1 邻域内中心像素与其临近像素灰度变化描述 11
3.2 本章总结 12
4 对HC算法的改进算法 14
4.1 在HC算法中嵌入不一致因子——加入PIF 14
4.2 结果的归一化处理 14
4.3 实验结果整理 16
4.4 本章总结 20
5 结论 21
5.1 结论总结 21
致谢 22
参考文献 23
1 引言
1.1 课题背景
在当前这个信息化的时代，各个与信息相关的方面都得到了飞速发展，信息的发现，传递过程越来越简易，信息传递速度越来越快。这就迫使人们不得不采用更加高效地方式来处理和分析接收到的数据，并提取其中的有效信息。因此信息提取与分析技术已经逐步成为目前人们在信息领域的重要研究方面。然而图像数据作为视觉信息的主要表达方面（载体），显著性检测对于面向图像数据的提取和分析是很有必要的。当人们看到一幅图片的时候，首先注意到的总是图片中的显著区域，并关注于图像的重点部位。从这一角度出发，通过计算来实现图像显著性区域的识别有着重大意义。提取出的图像显著性区域在目前的计算机视觉研究领域有着广泛应用，包括目标识别[6]，图像自适应压缩[7]，图像分割[4,5]，图像检索[8]，图像内容敏感编辑[9,10]等。图像的显著性检测也正在逐渐的被大多数人所接受，并正在被包括计算机视觉[13,14]，神经生物学[11,12]，认知心理学[15,16]等多个领域研究。目前大家也都致力于寻找一个合适的算法来尽可能的提高显著性检测的效率，使其能更加符合人类视觉的认知，为计算机视觉或者其他一些领域产生更高的贡献。