1．3  基于稀疏矩阵的显著性检测的研究内容

我们在此重点研究基于矩阵稀疏表示的显著图检测。其流程核心是特征提取和显著图的相关算法，也就是矩阵的低秩表示算法。首先我们获得一幅复杂行车地形的图片作为我们的输入图像，然后对该图像进行预处理，接下来把其颜色、纹理、方向等众多类似的特征提取出来，生成我们的初始矩阵。最后对该初始特征矩阵进行矩阵地址表示稀疏分解的显著图算法，得到我们的稀疏系数矩阵，再由该稀疏系数矩阵构造出我们需要的显著区域。如图1.2所示：

 显著区域检测基本流程

从图中可以看出，显著图检测的主要包含了预处理、特征提取、显著图算法等几个方面。我们概括总结了一下有如下这些内容：

（1）预处理

预处理就是在图像正式处理之前进行的一些初始相关的操作，其中主要包含灰度变换，大小调整，在大小调整的时候人们普遍采用两种常用算法进行调整操作。

（2）特征抽取

特征提取就是对图像进行某个方面的数字化。将图像以某种数据形式存储起来，作为它的特征图。我们只有将图像的特征有效地提取出来作为源数据，才能进行下面的研究操作，否则将会得到比较糟糕的结果。我们经常使用的手段包括有颜色特征的提取以及纹理特征的提取。

（3）显著图算法

我们重点探讨基于矩阵低秩分解相关的显著图算法。主要包含RPCA、LRR、MTSP，其中，MTSP是LRR的简单扩展变换，我们侧重研究比较RPCA与LRR算法。

1．4  论文的研究内容及章节安排

本文共分为五章，各章节主要内容如下：

第一章绪论。本章介绍了复杂行车环境中障碍物检测的方法的研究意义，发展历史和研究现状，分析阐述了基于稀疏矩阵的显著图检测的研究内容。

第二章介绍了相关的预处理操作，主要包括灰度变换，大小调整等，分析了图像预处理工作的必要性。文献综述

第三章介绍了相关图像的特征，主要内容包括有颜色特征、纹理特征等。

 第四章介绍了多种基于矩阵分解低秩表示的显著性检测方法。我们侧重理解融合一种或多种特征进行稀疏推理，该过程可以用公式表示为一个核范数最优化问题,而这个问题可以通过增广的拉格朗日乘数法(ALM)有效的解决。

 第五章介绍实验系统的设计与实现，包括实验环境的选择,设计以及具体的实验过程。

2  图像预处理

图像预处理，我们一般会在提取特征之前进行。这样做的目的很明确，它在一定程度上能够过滤掉一些我们所不关心的信息，能够方便我们队图像进行一些分块、抽取新的空间成分等操作，为我们接下来的工作做好准备。

在显著图的预处理中，在颜色方面，有时候我们会只使用到该图像的灰度信息即可，而对于彩色的图片，我们需要对其进行灰度归一化。

2．1  灰度归一化

2.1.1  灰度化

灰度是一个特定的值，这个值越高，表明亮度越低。其中，亮度值0%的时候物体为白色，亮度值100%的时候物体为黑色。灰度化是一种非常基本的图像处理手段。它操作的对象是输入图像中的一个一个的像素点。它会对这些像素点以某种算法进行修改更新，使得源图像在该修改方式的作用下得到预期的结果。这些特征都更加有利于像素特征的提取与识别。它的实质就是按线性、非线性等方式修改图像的每一个像素的灰度达到我们预期的效果。 

我们采集到的复杂行车环境的图像往往是彩色图像，也就是RGB图像，其中每个像素点是由R(红色)、G(绿色)、B(蓝色)三种颜色混合形成，它们按照成分的不同构成不同的颜色。 复杂行车环境中障碍物检测的方法研究(3):http://www.youerw.com/jisuanji/lunwen_70846.html