图像显著区域提取方法及其应用研究

本书密切跟踪国际前沿研究主流的发展趋势，探析了显著区域提取的研究方向、显著区域的提取方法及其应用，以显著性检测的关键因素为导向，以论述基础概念、研究相关算法、提出可行模型为主线，构建了面向社群图像的显著性数据集，提出了显著区域提取模型，并利用显著性检测技术有效地解决了对象类图像库的分类问题。本书可作为高等院校和科研机构计算机科学与技术相关专业本科生和研究生的教学参考书，也可以作为计算机视觉领域技术人员的参考书。

梁晔，2004.7-至今，一直在北京联合大学（北京市信息服务工程重点实验室）从事图像处理方面的教学和研究工作，发表过多部相关著作和教材。承担了多项省部级相关课题，如国家自然科学基金项目“无人车多视视频信息获取与定位关键技术”（项目编号：61871038）等。

第1章 绪论1
1.1 研究背景和意义1
1.2 研究现状6
1.2.1 显著区域提取方法的研究现状及分析6
1.2.2 显著性数据集的研究现状及分析12
1.3 本书的主要研究内容18
1.4 本书的内容安排19
第2章 面向社交媒体图像的显著性数据集21
2.1 引言21
2.2 数据集的图像筛选原则与性能评测方法22
2.2.1 图像筛选原则22
2.2.2 数据集的性能评测方法25
2.3 面向社交媒体图像的显著性数据集的构建30
2.3.1 图像来源30
2.3.2 图像标注31
2.3.3 图像筛选32
2.3.4 数据集的统计分析与性能评测32
2.3.5 数据集的典型图像36
2.3.6 数据集的标签信息统计38
2.4 本章小结38
第3章 基于标签上下文的显著区域提取方法40
3.1 引言40
3.2 显著区域提取流程41
3.3 显著区域提取方法建模43
3.3.1 条件随机场模型介绍43
3.3.2 提取方法的模型描述43
3.4 基于图像外观的显著性计算45
3.4.1 多尺度的区域分割45
3.4.2 显著性计算46
3.4.3 空间一致性优化47
3.4.4 多尺度显著图融合48
3.5 标签语义特征计算48
3.6 实验50
3.6.1 实验设置50
3.6.2 评价指标52
3.6.3 标签有效性的验证实验53
3.6.4 与流行方法的比较56
3.7 本章小结61
第4章 基于多特征的显著区域提取方法62
4.1 引言62
4.1.1 图像特征的获取方法62
4.1.2 卷积神经网络63
4.1.3 基于层次结构的显著区域提取方法65
4.2 基于多特征的显著区域提取方法流程66
4.3 基于深度学习特征的显著区域提取67
4.3.1 基于CNN特征的显著性计算67
4.3.2 标签语义特征计算71
4.3.3 显著图和标签语义图的融合72
4.4 基于人工设计特征的显著区域提取72
4.5 图像依赖的显著图动态融合74
4.5.1 方法思想74
4.5.2 训练阶段76
4.5.3 测试阶段76
4.5.4 基于投票机制的显著图融合77
4.6 空间一致性优化79
4.7 实验80
4.7.1 实验设置80
4.7.2 SID数据集上的实验82
4.7.3 流行数据集上的实验89
4.7.4 基于深度学习特征提取方法和基于人工设计特征提取方法的比较91
4.8 本章小结92
第5章 显著性在图像分类中的应用93
5.1 基于显著性的图像分类框架93
5.1.1 分析思想的由来93
5.1.2 图像库的显著性分析95
5.1.3 分类框架96
5.2 特征编码技术和特征池化技术97
5.2.1 符号说明97
5.2.2 特征编码技术98
5.2.3 特征池化技术101
5.3 面向场景类图像库的分类方法104
5.3.1 多环划分的特征池化区域选择方法104
5.3.2 多视觉词硬编码方法107
5.3.3 实验108
5.4 面向对象类图像库的分类方法112
5.4.1 基于显著性和空间局部约束的软编码方法112
5.4.2 实验114
5.5 本章小结116
第6章 总结与展望117
6.1 总结117
6.2 展望118
参考文献120