視覺顯著性檢測(cè)方法及應(yīng)用

第1章 緒論 1

1．1 引言 1

1．2 視覺顯著性檢測(cè)的研究現(xiàn)狀 3

1．3 視覺顯著性檢測(cè)的應(yīng)用現(xiàn)狀 4

1．4 本書的主要內(nèi)容和章節(jié)安排 7

1．4．1 主要內(nèi)容 7

1．4．2 章節(jié)安排 10

第2章 視覺顯著性檢測(cè)方法綜述 13

2．1 引言 13

2．2 預(yù)備知識(shí) 13

2．2．1 視覺注意與視覺顯著性 14

2．2．2 視覺顯著性模型的分類 15

2．3 方法評(píng)價(jià) 18

2．3．1 基準(zhǔn)測(cè)試庫 18

2．3．2 定量對(duì)比方法 21

2．4 流行檢測(cè)方法介紹 24

2．4．1 特征組合理論 24

2．4．2 信息論 28

2．4．3 圖上隨機(jī)游動(dòng)理論 29

2．4．4 決策理論 30

2．4．5 貝葉斯理論 31

2．4．6 頻域分析 32

2．4．7 機(jī)器學(xué)習(xí) 34

2．4．8 其他 35

2．5 現(xiàn)有方法存在的問題及解決方案 36

2．5．1 現(xiàn)有方法存在的問題 36

2．5．2 解決方案 38

2．6 發(fā)展趨勢(shì) 40

2．7 本章小結(jié) 41

第3章 一種基于加權(quán)稀疏編碼的頻域方法 42

3．1 引言 42

3．2 過完備稀疏編碼 44

3．2．1 過完備稀疏編碼的神經(jīng)生理學(xué)基礎(chǔ) 45

3．2．2 圖像的過完備稀疏編碼 46

3．2．3 過完備字典的構(gòu)造 49

3．3 加權(quán)稀疏編碼 51

3．3．1 增量編碼長度算法 51

3．3．2 稀疏編碼的權(quán)重 52

3．4 圖像標(biāo)記算法 54

3．4．1 基于圖像標(biāo)記算法的顯著性提取 54

3．4．2 相關(guān)理論證明 56

3．5 基于加權(quán)稀疏編碼的圖像標(biāo)記算法 59

3．5．1 單通道的圖像標(biāo)記算法 60

3．5．2 多通道的圖像標(biāo)記算法 60

3．6 實(shí)驗(yàn)對(duì)比 61

3．6．1 主觀對(duì)比 62

3．6．2 定量對(duì)比 64

3．6．3 算法復(fù)雜度評(píng)估 65

3．7 本章小結(jié) 66

第4章 基于最優(yōu)對(duì)比度的視覺顯著性檢測(cè)方法 68

4．1 引言 68

4．2 總體思想 69

4．2．1 最優(yōu)對(duì)比度引入的動(dòng)機(jī) 70

4．2．2 實(shí)現(xiàn)方案 75

4．3 候選中心-外圍對(duì)比度 75

4．3．1 計(jì)算原理 75

4．3．2 實(shí)現(xiàn)細(xì)則 80

4．4 最優(yōu)對(duì)比度 82

4．4．1 單尺度下的最優(yōu)中心-外圍對(duì)比度篩選 82

4．4．2 多尺度增強(qiáng)算法 84

4．5 實(shí)驗(yàn)對(duì)比 86

4．5．1 主觀對(duì)比 87

4．5．2 定量對(duì)比 89

4．6 本章小結(jié) 93

第5章 融合長期特征和短期特征的貝葉斯模型 94

5．1 引言 94

5．2 總體思想 95

5．2．1 先驗(yàn)知識(shí)的作用和使用方式 95

5．2．2 當(dāng)前觀測(cè)信息的作用和使用方式 99

5．2．3 先驗(yàn)知識(shí)和當(dāng)前觀測(cè)信息的融合 101

5．2．4 實(shí)現(xiàn)方案 102

5．3 長期特征和短期特征 103

5．3．1 長期詞典和短期詞典 103

5．3．2 特征提取 105

5．4 基于貝葉斯模型的視覺顯著性檢測(cè) 105

5．4．1 貝葉斯模型 105

5．4．2 特征概率分布的估計(jì) 108

5．4．3 視覺顯著性隨空間位置變化的條件概率分布估計(jì) 111

5．5 實(shí)驗(yàn)對(duì)比 112

5．5．1 主觀對(duì)比 113

5．5．2 定量對(duì)比 115

5．6 本章小結(jié) 116

第6章 基于視覺顯著性的紅外目標(biāo)預(yù)檢測(cè) 117

6．1 引言 117

6．1．1 研究背景與意義 117

6．1．2 相關(guān)工作 118

6．1．3 總體解決方案 121

6．2 基于小數(shù)目標(biāo)尺度的紅外圖像混合濾波算法 124

6．2．1 紅外圖像噪聲分析 124

6．2．2 降噪算法的總體設(shè)計(jì)思路 125

6．2．3 小數(shù)目標(biāo)尺度 126

6．2．4 基于小數(shù)目標(biāo)尺度的自適應(yīng)高斯濾波器 130

6．2．5 基于小數(shù)目標(biāo)尺度的自適應(yīng)中值濾波器 130

6．3 視覺顯著性檢測(cè)方法的選擇 132

6．3．1 綜合定量對(duì)比的實(shí)驗(yàn)準(zhǔn)備 133

6．3．2 綜合定量對(duì)比 134

6．3．3 原理分析 138

6．4 紅外目標(biāo)預(yù)檢測(cè) 139

6．4．1 基于視覺顯著性檢測(cè)的窗口特征算子 139

6．4．2 基于SLIC超像素分割的窗口特征算子 140

6．4．3 窗口特征算子參數(shù)的估計(jì) 142

6．4．4 窗口特征的貝葉斯融合 143

6．4．5 目標(biāo)窗口的確定 144

6．5 實(shí)驗(yàn)對(duì)比 145

6．5．1 紅外圖像降噪實(shí)驗(yàn)對(duì)比 145

6．5．2 紅外目標(biāo)預(yù)檢測(cè)實(shí)驗(yàn)對(duì)比 147

6．6 本章小結(jié) 150

第7章 基于視覺顯著性的太陽能電池片表面缺陷檢測(cè) 151

7．1 引言 151

7．1．1 研究的背景與意義 151

7．1．2 相關(guān)工作 152

7．1．3 存在問題及解決方案 158

7．2 太陽能電池片表面圖像預(yù)處理 159

7．2．1 圖像采集 159

7．2．2 圖像降噪 162

7．2．3 柵線刪除 163

7．2．4 柵線填充 164

7．3 基于視覺顯著性的缺陷初始檢測(cè) 165

7．3．1 自學(xué)習(xí)特征提取 165

7．3．2 低秩矩陣復(fù)原 167

7．3．3 獲取視覺顯著圖 169

7．4 基于視覺顯著性和圖像分割的缺陷精確定位 171

7．4．1 圖像分割 171

7．4．2 基于視覺顯著性的缺陷定位 174

7．5 基于形態(tài)學(xué)的檢測(cè)結(jié)果優(yōu)化 175

7．5．1 形態(tài)學(xué)理論 175

7．5．2 形態(tài)學(xué)優(yōu)化 176

7．6 實(shí)驗(yàn)設(shè)計(jì) 178

7．6．1 主觀對(duì)比 180

7．6．2 客觀對(duì)比 184

7．7 軟件設(shè)計(jì)與使用 187

7．7．1 檢測(cè)軟件的設(shè)計(jì) 187

7．7．2 軟件功能及操作介紹 189

7．8 本章小結(jié) 191

參考文獻(xiàn) 192