利用LapSVM的快速显著性检测方法
目的 随着互联网技术的发展,信息的数量呈几何级数增长.信息改变着人类的传统生活方式,它可以给人们的娱乐,教育,商业活动提供便利.但是另一方面,需要处理的信息数量大大超过了计算机的处理能力,因此,如何使计算机能像人眼一样可以自动在大量信息中选择重要信息进行加工就显得十分重要.图像的视觉显著性信息能够反映图像中不同区域对人视觉系统刺激的程度.可靠的显著性方法可以从大量的信息中自动预测预测和挖掘重要的视觉信息,这些信息可以为图像分割、图像检索等应用提供有价值的线索.目前,显著性检测算法的鲁棒性和实时性是研究的热点.本文提出一种基于拉普拉斯支持向量机(LapSVM)的快速显著性检测方法.方法 采用简单线性迭代聚类算法SLIC(simple linear iterative clustering)将原始图像首先分成若干个超像素块,并用它代替图像像素参与计算,可以减少算法所需的计算量.利用超像素之间相似性构建图Laplacian.分析每个图像块的边缘特性定义粗糙标识样本,并利用一种快速LapSVM进行分类.LapSVM是一种基于流形正则化的半监督分类方法.通过引入提前停止机制来加速LapSVM的训练.这样可以快速地计算出一个近似结果.计算的复杂性由原来的O(n3)降到了O(kn2),其中n是未标识样本和标识样本的数量.k是经验评价值,它远远小于n.通过分析得到的分类结果,提取出更准确的背景和目标样本作为新的标识样本再次进行LapSVM分类.最后,利用能量函数对分类结果进行优化得到最终的显著性检测结果.结果 ASD数据库是MSRA数据库的子集,包含1 000幅图片,被广泛用于各种显著性检测算法的实验中.本文算法在ASD图像数据库上与7种流行的图像显著性检测算法进行对比实验.本文算法不仅在准确率和召回率上保持了与其他算法相当的鲁棒性,平均绝对误差达到4％左右,同时算法的平均运行时间缩短为0.03 s左右.结论 提出一种基于LapSVM的快速图像显著性检测算法,通过区域边缘特征和分类结果分析,实现图像中背景和目标样本的准确检测.实验结果表明,本文算法具有良好的鲁棒性,显著地提高了算法的实时性.因此,与其他算法相比本文算法更适用于检测跟踪等实时性要求较高的场合.该方法可以在较短的时间内,以更好地准确率水平提取显著性区域.
显著性检测、边缘特征、LapSVM算法、标识样本、流形函数
22
TP391.41(计算技术、计算机技术)
国家自然科学基金项目61379104National Natural Science Foundation of China61379104
2017-11-10（万方平台首次上网日期，不代表论文的发表时间）
共9页
1392-1400
