致谢 17

参考文献 18

1 引言

1。1 研究背景与意义

显著性检测[1]是人类视觉注意力的一种表现 。这项工作的是一种包含了视觉信息聚集以 及过滤的复杂处理过程，目的就是为了找到在视线中最为显著的区域。通过显著性检测，程 序能够在复杂环境之中将图像中的显著的信息进行优化剥离，能够节省大量的工作时间。同 时，许多其他方面的工作因为该项技术受益，例如对象分割[2]，图像分类[3,4]，图像或者视频 的重定位[5,6]、压缩[7]以及质量评估[8]。论文网

计算机的显著性模型[1]体现出了模拟处理人类活动的特征。首先，这项模型需要从输入 端的视觉信息中将特征提取出来。特征提取和视觉线索的聚集是目前显著性检测方法中最有 影响力的。绝大多数的方法中，研究者为了简便都选择二维平面中的颜色特征作为输入的方 法[9,10,11]。但是在特定的环境下，比如在颜色接近但在三维空间有差异分布的图像上，这种方 法无法客观反映图像的显著性。

本文通过对利用深度线索进行的显著性检测来解决上述的问题。深度图像是只有目标物 体距离信息的二值图像，能够完全无视周围环境在颜色等局部特征上对目标物体的干扰。通 过对目标物体在深度图像中的每个像素点的值的计算，本文能够充分分析物体对于周围环境 的差异性。在利用深度进行运算的过程中，本文避免了利用绝对深度差异导致内部细节丢失 的问题，选择了各向异性的中心环绕差的方案。这项方案的算法原理相对简单易懂，却够运 用深度图像准确地将目标物体的显著性标注出来。最终的实现过程中，这项方案能够很好地 解决之前研究方案在某些特定环境下的问题。

1。2 显著性检测的研究现状

1。2。1 关于视觉显著性

1。2。2 关于深度的显著性计算

1。2。3 使用深度进行对象分割

1。3 本文研究内容

在以往的研究中，有研究者尝试通过研究深度和颜色的特征来测试图像深度对显著性产 生的影响[12]，并且得出了深度感知对于人类的视觉注意力有相当大的影响[13,14]的结论。从本 质来说，深度图像和彩色图像有有很大的差异。单通道的深度值体现目标像素点与环境在空 间上的差异，而彩色图像中多通道的 RGB 值反映的是每个像素点之间的色彩的对比度差异。 但从局部来说，它们的研究方式都是相通的。因此，适用于彩色图像的特征提取方法也成为 了深度线索实现显著性检测的主要研究手段。但是，在运用深度[15]，梯度和曲率等视觉特征 的方案会由于缺少全局架构的考虑形成错误的检测结果。

空间上的显著性[13]提供了在更加接近的区域之间的差异性，说明能够体现在邻近区域细 节的差异。但是，如果显著区域的深度信息没有很大的区别，或在临近区域拥有高对比差异时，这项假设将会受到很大的限制，并且会轻易地失去内部区域的显著对象的部分。文献综述

Lang 等人[14]建立了将深度和深度范围同时考虑在内的显著性模型。它的限制在于它只能 关注绝对深度却失去了全局深度架构信息。

通过不断的学习，反复测试算法的性能和呈现的效果，本文实现了一项基于各向异性的 中心环绕差的显著性检测方法。以下是这项算法的设计原则：

1。临近区域反映出更多的显著性得分证明深度先验是有效的，但会非常容易被较为接近 的背景轻易地干扰。同时，拥有同样深度，周围环绕环境不同的两个区域会产生分化。 基于深度线索的显著性检测(2):http://www.youerw.com/jisuanji/lunwen_90663.html