基于視覺(jué)顯著的圖像拷貝檢測(cè)關(guān)鍵技術(shù)研究.pdf

1、隨著媒體處理技術(shù)、網(wǎng)絡(luò)技術(shù)和云計(jì)算的飛速發(fā)展,由圖像和視頻組成的可視媒體信息近年來(lái)呈現(xiàn)出迅猛增長(zhǎng)的態(tài)勢(shì),與此同時(shí),可視媒體的獲取、編輯、發(fā)布和傳輸方式也發(fā)生了巨大的變革,對(duì)媒體拷貝變得越發(fā)容易同時(shí)媒體拷貝被傳播的越發(fā)廣泛。云計(jì)算技術(shù)的發(fā)展更加劇了媒體拷貝的傳播,導(dǎo)致“云”中大量存儲(chǔ)著拷貝品,既嚴(yán)重危害著媒體版權(quán)所有者的權(quán)益,又嚴(yán)重浪費(fèi)了存儲(chǔ)資源。因此如何對(duì)可視媒體的拷貝進(jìn)行有效的檢測(cè)成為當(dāng)前學(xué)術(shù)界和業(yè)界研究者廣泛關(guān)注的熱點(diǎn)問(wèn)題。

2、　　基于內(nèi)容的拷貝檢測(cè)技術(shù)是目前被廣泛研究的用于媒體拷貝檢測(cè)的技術(shù),其目標(biāo)是使計(jì)算機(jī)能夠具有和人一樣的對(duì)媒體內(nèi)容進(jìn)行甄別的能力。由于,人類(lèi)視覺(jué)感知系統(tǒng)對(duì)于媒體的理解和識(shí)別能力遠(yuǎn)遠(yuǎn)超過(guò)現(xiàn)有的技術(shù)。因此,本文將從研究視覺(jué)感知的顯著性出發(fā),構(gòu)建用于圖像拷貝檢測(cè)的基于視覺(jué)顯著的全局特征。為了全面的對(duì)圖像中的視覺(jué)顯著性進(jìn)行度量,本文從基于注視點(diǎn)的顯著性檢測(cè)和顯著區(qū)域檢測(cè)兩方面展開(kāi)了顯著性的研究。顯著性研究解決了圖像感知內(nèi)容提取這一關(guān)鍵問(wèn)題,而特征

3、的魯棒性也是基于視覺(jué)顯著的圖像拷貝檢測(cè)技術(shù)亟待解決的關(guān)鍵問(wèn)題之一。因此在顯著性研究的基礎(chǔ)上,本文通過(guò)對(duì)區(qū)域協(xié)方差矩陣的研究構(gòu)建了一種基于視覺(jué)顯著的具有較好綜合魯棒性能的全局特征。
　　本論文的主要研究工作和創(chuàng)新點(diǎn)如下:
　　(1)提出了一種結(jié)合圖像結(jié)構(gòu)和顏色的顯著性檢測(cè)算法。由于顏色是彩色圖像的重要內(nèi)容同時(shí)也是人類(lèi)視覺(jué)系統(tǒng)神經(jīng)元可感知的重要信息,因此將顏色與圖像結(jié)構(gòu)信息一起構(gòu)成像素的視覺(jué)特征用于視覺(jué)顯著性計(jì)算。該算法在彩色圖

4、像上能夠較好的預(yù)測(cè)人眼關(guān)注的位置。另一方面,提出了一種新的基于貝葉斯定理的顯著模型。該模型通過(guò)采用貝葉斯定理分析像素的顯著度,并將像素的顯著度建模為特征的局部核密度估計(jì)與全局核密度估計(jì)之比。在該模型的基礎(chǔ)上,通過(guò)提取像素的DCT特征構(gòu)建了一種魯棒的顯著性檢測(cè)算法。該算法不僅在自然圖像和心理模式圖上都取了較好的預(yù)測(cè)結(jié)果,而且具有良好的魯棒性。
　　(2)提出了一種結(jié)合空間分布和全局對(duì)比的顯著區(qū)域檢測(cè)算法。空間分布特性是視覺(jué)感知的一種

5、重要屬性,利用像素的空間位置坐標(biāo)的方差構(gòu)建空間分布顯著圖,并采用線性聯(lián)合方法融合全局對(duì)比顯著圖得到最終的能夠突顯顯著區(qū)域的顯著圖。該算法不僅取得了較好的顯著區(qū)域檢測(cè)結(jié)果,而且可以提供全分辨率或高分辨率的顯著圖同時(shí)有效易于實(shí)現(xiàn)。此外,在顯著區(qū)域檢測(cè)算法基礎(chǔ)上,構(gòu)建了一個(gè)非顯著閾值依賴(lài)同時(shí)可以提取具有清晰輪廓的顯著物體的檢測(cè)框架。在該框架下,提出了一種基于顯著區(qū)域差異的顯著密度最大算法用于搜索包含顯著物體的矩形窗口。該算法降低了搜索到的包含

6、顯著物體的矩形窗中屬于背景的像素,改善了利用GrabCut進(jìn)行顯著物體提取的結(jié)果。
　　(3)提出了一種橢圓顯著區(qū)域Log協(xié)方差描述子ESRCOV(Elliptically Salient Regionlog-COVariance)。該描述子通過(guò)顯著圖融合、顯著區(qū)域橢圓擬合、協(xié)方差矩陣構(gòu)建和Log變換構(gòu)建而成。和現(xiàn)有的基于顯著性的區(qū)域協(xié)方差描述子相比,ESRCOV較為全面的考慮了圖像中的顯著性,并在更利于特征描述的橢圓上進(jìn)行區(qū)域協(xié)