基于区域对比特征描述的显著性目标检测开题报告

1. 研究目的与意义（文献综述）

作为计算机视觉领域基础的任务之一，显著性目标检测模拟人类能够分辨不同目标重要程度的视觉机制，提取出图像或视频中感兴趣的信息。利用这一视觉机制可以帮助找到图片中代表场景语义的重要目标或区域，而被广泛应用于图像理解、场景解析、目标追踪等各类计算机视觉任务。显著性目标检测任务一般包含两个步骤，首先检测出图像或视频中的显著目标，其次准确地分割出目标的区域。优秀的模型应当能够准确的检测和分割出显著目标，以最大化地保留原始图片信息。同时，作为其他算法的预处理过程，显著性目标检测模型的复杂度需要尽可能的低，从而提高计算效率。

基于空间域的方法通常抽取图像特征来增强区域的对比度，在抑制背景的同时凸显前景区域。klein^[10]和 bruce等人^[11]利用信息论的原理计算中央－周围对比度，一些方法基于超像素计算中央－周围对比度，有的方法采用分割的思想来分割显著区域。rahtu等^[12] 采用贝叶斯框架，计算局部中心与外围边缘像素点 之间正规化的颜色对比度，得到显著图，虽然以上显著性算法检测效果较好，但是随着算法的不断改进，计算复杂度呈越来越高的趋势，造成计算速度偏慢。

hou等^[13]提出了一种谱残差（spectrum residual，sr）检测方法，通过分析输 入图像的谱残差特征来计算每个像素的显著性值。但是guo 等^[14]指出对显著性提取起主导作用的并不是图像的残余幅度谱，而 imamoglu 等^[15]利用小波变换对图像进行多尺度分解并进行显著性检测。这些基于谱域的显著性检测方法具有较快的检测速度，但其检测效果明显低于空间域上的检测效果。

2. 研究的基本内容与方案

基本内容：本文的主要探讨基于区域对比进行的显著性目标检测，它是全局定义的，利用颜色与纹理特征对图像进行描述，将图像中的某一区域与所有其他区域比较。直方图和平均值组成了颜色特征，在rgb、lsd、l*a*b*的三个颜色空间中有256个像素；纹理特征则由lm过滤器的15个绝对响应、lm过滤器的15个最大响应直方图以及lbp特征的256个直方图，如何利用与分配rgb、lsd、l*a*b*颜色空间的以达到最大效率，研究纹理特征在检测识别中起何作用。

目标：基于区域对比特征描述，得出可视化的显著目标检测图。

拟采用的技术方案及措施：给定一幅未处理的图像，首先基于不同的参数进行多级分割，得到一定数量的分割组后，提取颜色与纹理这两个方面的特征，在颜色特征中需要用到三个不同的颜色空间：rgb、lsd以及l*a*b*。利用局部二值算子与lm过滤器得到的直方图可获得其纹理特征，将颜色与纹理特征融合，采用随机森林回归器，将描述映射到一个显著值，分配给相应的区域，从而映射到区域中的每个像素，最后得到图像的显著性映射。

3. 研究计划与安排

第1周—第3周 搜集资料，撰写开题报告；

第4周—第5周 论文开题，进行外文文献翻译；

第6周—第12周 熟悉设计工具，使用编程语言完成初步设计，撰写毕业论文初稿；

4. 参考文献（12篇以上）

[1] jingdong wang, huaizu jiang,zejian yuan, ming-ming cheng,xiaowei hu, nanning zheng. salient objectdetection: a discriminative regional featureintegrationapproach.inijcv, 123(2):251–268, 2017.

[2] h. jiang, y. wu, and z. yuan.probabilistic salient object contour detection based on superpixels. in icip,2013.

[3] t. liu, z. yuan, j. sun, j. wang,n. zheng, x. tang, and h.-y. shum. learning to detect a salient object. in ieeetpami, 2011