导读:本文包含了显着特征图论文开题报告文献综述及选题提纲参考文献，主要关键词:视觉显着性检测,多特征图,Ripplet变换,RGBYI空间
显着特征图论文文献综述
曾寰,龙满生[1]（2019）在《颜色空间转换耦合特征图的显着性检测算法》一文中研究指出为解决当前视觉显着性检测技术忽略图像的全局与局部特征的联系,使其对复杂图像的检测准确度不佳的问题,设计颜色空间转换图耦合Ripplet变换的视觉显着性检测算法。将图像转换到RGBYI空间,并计算R与G、B与Y分量的颜色差异;引入Ripplet变换,对图像进行分解,获取相应的变换系数;借助逆Ripplet变换,形成特征图;基于概率密度函数,联合特征图,计算全局显着图;利用逐像素相似度估算像素的信息熵,获取图像的局部显着图;通过组合局部与全局显着图,形成最终的显着图,完成目标检测。实验结果表明,与当前显着性检测技术相比,所提技术具有更好的检测效果,呈现出更为理想的接收机工作特性曲线。(本文来源于《计算机工程与设计》期刊2019年06期）
聂一亮,杜吉祥,杨麟[2]（2018）在《卷积特征图融合与显着性检测的图像检索》一文中研究指出针对基于深度学习的图像检索提取特征往往包含了复杂的背景噪声,导致图像检索的精确率并不高的问题,提出一种特征图融合与显着性检测的方法.首先,训练用于分类的深度卷积神经网络模型.然后,并将图像卷积之后的特征图谱进行融合,得到图像的显着性区域.最后,通过计算图像显着性特征的余弦距离来进行检索.实验结果证明:相比目前主流的方法,文中方法能够有效提高检测精度,且鲁棒性较高.(本文来源于《华侨大学学报(自然科学版)》期刊2018年06期）
崔玲玲,许金兰,徐岗,吴卿[3]（2018）在《融合双特征图信息的图像显着性检测方法》一文中研究指出目的图像的显着性检测是将图像中最重要的、包含丰富信息的区域标记出来,并应用到图像分割、图像压缩、图像检索、目标识别等重要领域。针对现有研究方法显着性目标检测结果不完整以及单一依靠颜色差异检测方法的局限性,提出一种综合图像底层颜色对比特征图和图像颜色空间分布特征图的显着性检测方法,能够有效而完整地检测出图像中的显着性区域。方法本文方法结合了SLIC超像素分割和K-means聚类算法进行图像特征的提取。首先,对图像进行SLIC(simple linear iterative clustering)分割,根据像素块之间的颜色差异求取颜色对比特征图;其次,按照颜色特征对图像进行K-means聚类,依据空间分布紧凑性和颜色分布统一性计算每个类的初步颜色空间分布特征。由于聚类结果中不包含空间信息,本文将聚类后的结果映射到超像素分割的像素块上,进一步优化颜色空间分布图;最后,通过融合颜色对比显着图和图像颜色空间分布特征图得到最终的显着图。结果针对公开的图像测试数据库MSRA-1000,本文方法与当前几种流行的显着性检测算法进行了对比实验,实验结果表明,本文方法得到的显着性区域更准确、更完整。结论本文提出了一种简单有效的显着性检测方法,结合颜色对比特征图和图像颜色空间分布特征图可以准确的检测出显着性区域。该结果可用于目标检测等实际问题,但该方法存在一定的不足,对于背景色彩过于丰富且与特征区域有近似颜色的图像,该方法得到的结果有待改进。今后对此算法的优化更加侧重于通用性。(本文来源于《中国图象图形学报》期刊2018年04期）
崔玲玲[4]（2018）在《融合双特征图信息的图像显着性检测方法及应用》一文中研究指出人类视觉能在复杂的生活场景中快速搜索到感兴趣的目标,这些目标一般是场景中最突出最显眼最重要的物体,即显着目标。与人相比,计算机的视觉检测具有很大的挑战性。为了让目标检测在各领域得到良好的应用,出现了大量的显着性检测相关的研究成果。现有模型大多得到不完整的显着性区域以及较高的背景显着值。如何提高显着目标检测的准确性以及获得高召回率的显着图是本文研究的重点。人类的注意机制分为自底向上的视觉注意机制和自顶向下的视觉注意机制,鉴于大多数显着性检测是无目标的、不确定的,本文主要研究自底向上的视觉计算模型。通过描述现有的显着性检测模型以及对它们的研究,阐述了新的见解,提出了一种融合双特征图信息的图像显着性检测方法,并成功地应用到显着性区域自动马赛克技术中。本文的主要工作和贡献可以概括如下:1.本文提出一种融合双特征图信息的图像显着性检测方法,能够综合图像底层颜色对比特征和图像颜色空间分布特征,避免单一依靠颜色差异检测方法的局限性。首先,对图像进行SLIC超像素分割,根据超像素之间的颜色差异求取颜色对比特征图;其次,按照颜色特征对图像进行K-Means聚类,依据空间分布紧凑性和颜色分布统一性计算每个类的初步颜色空间分布特征。由于聚类结果中不包含空间信息,所以算法再一次结合SLIC超像素分割结果进行颜色空间分布特征图的优化;最后,通过融合颜色对比特征图和颜色空间分布特征图得到最终的显着图。针对公开的图像测试数据库MSRA-1000,本文提出的算法与当前几种经典的显着性检测算法进行了对比实验,实验结果证明了本文提出算法的有效性。2.为了满足自动地对显着区域生成马赛克的需求,本文提出了显着性驱动的图像重要区域马赛克自动生成的方法,将显着性检测算法应用到图像的马赛克上。马赛克是一种非真实感的渲染效果,马赛克图像是通过组合不同大小、形状、颜色的嵌片得到的。该方法的目的是,图像的其他区域保持不变,显着区域生成马赛克效果,以实现重要信息的隐私保护作用,既具有艺术效果,又模糊表达了源图像的特征信息。实验结果证明,对于一个输入图像,执行算法可得到与之对应的显着区域马赛克图像。(本文来源于《杭州电子科技大学》期刊2018-03-01）
高思晗,张雷,李成龙,汤进[5]（2016）在《融合低层和高层特征图表示的图像显着性检测算法》一文中研究指出为了有效地利用不同层次特征的互补性,提高鲁棒性,提出一种融合低层和高层特征的图表示的图像显着性算法.首先以超像素为结点构图,通过高层特征和底层特征差异定义该图的点和边的权重;然后根据该图模型构造不对称转移概率矩阵,并利用Markov随机游走算法进行求解,得到初始显着性图;最后结合中心先验及改进的边界先验得到最终的图像显着性结果.在4个公共数据集上与10种方法进行比较与分析,验证了该算法的有效性.(本文来源于《计算机辅助设计与图形学学报》期刊2016年03期）
显着特征图论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对基于深度学习的图像检索提取特征往往包含了复杂的背景噪声,导致图像检索的精确率并不高的问题,提出一种特征图融合与显着性检测的方法.首先,训练用于分类的深度卷积神经网络模型.然后,并将图像卷积之后的特征图谱进行融合,得到图像的显着性区域.最后,通过计算图像显着性特征的余弦距离来进行检索.实验结果证明:相比目前主流的方法,文中方法能够有效提高检测精度,且鲁棒性较高.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
显着特征图论文参考文献
[1].曾寰,龙满生.颜色空间转换耦合特征图的显着性检测算法[J].计算机工程与设计.2019
[2].聂一亮,杜吉祥,杨麟.卷积特征图融合与显着性检测的图像检索[J].华侨大学学报(自然科学版).2018
[3].崔玲玲,许金兰,徐岗,吴卿.融合双特征图信息的图像显着性检测方法[J].中国图象图形学报.2018
[4].崔玲玲.融合双特征图信息的图像显着性检测方法及应用[D].杭州电子科技大学.2018
[5].高思晗,张雷,李成龙,汤进.融合低层和高层特征图表示的图像显着性检测算法[J].计算机辅助设计与图形学学报.2016