《轮廓信息增强的Itti视觉显著性检测算法研究（论文）12000字》

[29]。为确保研究结论的准确无误，本研究在研究设计、数据采集以及数据分析等各个方面均采取了严格的控制措施。在研究设计阶段，本文构建了一个详细的理论框架，确保研究问题的明确定义和假设的科学性。数据收集时，本文采用了多样的数据来源，增强了数据的可靠性和相互验证的能力，同时通过标准化流程减少数据采集中的主观误差。在数据分析环节，本文采用了定量与定性相结合的方法，全面解读数据，并使用先进的统计工具进行数据处理，降低技术误差。最后，本文还进行了敏感性分析，以评估结果对关键假设变化的稳定性。原来的算法根据方向、亮度、颜色、三者融合后的特征计算分割阈值不鲁棒，容易因为某个较弱的特征导致细节丢失，在这等背景下比如输入的图片一开始夹子都没有了，因为夹子的颜色特征特别弱，所以可以考虑选用特征自适应阈值来解决这个问题。算法当中分别计算了方向、颜色、亮度三个阈值，通过判断level_SI、level_SO、level_SC是否差别很大，这在某种程度上表达出当差别很大的时候就用自适应阈值，当差别不大的时候就统一阈值(马嘉光，张婉怡,2021)。然后对于轮廓信息还是采用sobel算子进行提取，提取之后把结果再次进行原来算法的操作，利用轮廓的亮度和方向特征。实验结果输入同一张照片之后，确保程序没有错误，运行程序。以下是实验结果(殷泽和，陈雅菲,2021)：图STYLEREF1\s4SEQ图\*ARABIC\s15方法二提取的显著图 图中，第一行第一张是原图，第二张是Sobel结果图，第三张是原来的颜色显著图，最后一张是轮廓的亮度显著图，第二行第一张是轮廓的方向显著图，第二张是轮廓的显著图，第三张是原来的显著图，最后一张是原来的显著图以及轮廓显著图相加之后得出显著图(马泽和，付雅文,2022)。把输入的图片转换为double型，然后再与得到的结果图相乘，得出的最终显著图，如REF_Ref101610814\h图46：图STYLEREF1\s4SEQ图\*ARABIC\s16最终显著图通过观察可以发现这次得到的显著图相比原来的显著图，在这般的环境中得到的信息更多更完整，面包的轮廓更加清晰了，旁边的夹子也呈现得比较完好。而且，与添加轮廓信息模块的方法相比，显著图更加清楚，轮廓分明。与REF_Ref101602387\h图43的第二幅图相比（添加轮廓信息模块的显著图），从这些情况可以理解可以直观地感受到显著图的变化。以下是较为复杂图片的各自提取情况，可以看出来方法二还是比较不错的(周宏远,赵文华,2021)。图STYLEREF1\s4SEQ图\*ARABIC\s17示例一图STYLEREF1\s4SEQ图\*ARABIC\s18示例二图STYLEREF1\s4SEQ图\*ARABIC\s19示例三REF_Ref101352237\h图46REF_Ref101352239\h图47REF_Ref101352241\h图48第一张是输入的图片，第二张是原来Itti算法的显著图，第三张是加入轮廓信息模块得出的视觉显著图，最后一张是融入轮廓信息和特征自适应阈值得出的视觉显著图(杨涛羽,吴志强,2021)。总结在本文中，本文实现了原本的Itti算法模型，同时也看到了算法的不足之处，展示了相应的颜色、亮度、方向显著图以及最后的视觉显著图。在分析观察了显著图之后进行了改进，因为有阅读到相关文献谈到轮廓信息，所以第一次尝试是添加了轮廓信息这个模块和原有的三个模块一共四个模块进行融合，得到最终的显著图，但是这样的效果并不是特别的明显。之后又阅读了大量的文献，看到有加入运动特征、光流等信息来进行优化的，现有结果揭示了以下事实但是稍微看了一点之后，感觉自己现在的能力是做不出来的，于是考虑能不能对轮廓信息换个方式进行处理，然后看了看原来算法得到的颜色、亮度、方向显著图，发现得到的只有颜色显著图稍微能够比较好地反映原图之外，方向和亮度特征图并不是特别好，所以考虑能不能利用轮廓信息的方向和亮度特征，所以在输入图像得到轮廓信息图之后，把得到的图拿去重复Itti算法的流程，然后得到的显著图是只有轮廓的，在这种布局里感觉不能算显著图，然后就想着原来得到的显著图只是缺少一些信息，所以就把原来的显著图和得到的轮廓进行了融合，而实验证明，这个方法相对来说还是比较好的。然后加入自适应阈值的处理，面对色彩变化强的对显著图的提取也有好处。参考文献陈昊天,成泽凡.基于深度显著性分析的目标检测[D].西安电子科技大学，2022.成泽光,张羽和.图像显著性检测算法研究[D].西安电子科技大学，2023.周宏远,赵文华.基于视觉感知的图像处理方法研究[D].中南大学，2021.杨涛羽,吴志强.基于视觉显著性的区域立体匹配算法[J].计算机用，2021，35(12):3565-3569.陈梦琪,周昊忠基于多特征级联分类器的消防通道车辆检测技术研究[D].重庆大学，2022.赵云飞,邱玉珊.基于特征点最小凸包与对比度的显著性区域检测算法研究[D].重庆大学，2015.高雨辰,郑晓彤.基于动态背景建模的图像显著性检测及应用[D].河北师范大学，2019.周泽昊,成静茹.基于显著性检测的自然场景图像分类算法研究[D].武汉理工大学，2018.林晓向,邓景福.视觉文化语境下新媒体艺术中台词的视觉化[J].艺海，2014，(12):93-96.程传伟.视觉文化的历史和哲学探询[D].南京师范大学，2011.胡泽林,黄梦倩.视觉文化角度下的用户界面设计研究[J].现代装饰(理论)，2012(04):37.IttiL.ModelsofBottom-UpandTop-DownVisualAttention[D].California:CaliforniaInstituteofTechnology，2000.孙艺博,陈可欣，NieburE.Amodelofsaliency-basedvisualattentionforrapidsceneanalysis[J].I(陈梦琪,周昊忠,2019)TransactionsonPatterAnalysisandMachineIntelligence，1998，20(11):1254-1259.张羽和,付丹萱.基于全景图像的真实场景重现与自定位技术研究[D].东北大学，2015.龚俊天,范冰冰.基于视觉注意的目标检测方法[D].重庆大学，2010.YaoruSun，HierarchicalObject-BasedVisualAttentionforMachineVision[D].Edinburgh:UniversityofEdinburgh，2003.何彦博,付春华.一种新型多层深度卷积神经网络的滚动轴承故障诊断方法[C]//.第十二届全国振动理论及应用学术会议论文集.[出版者不详]，2017:131-137.IttiLModelsofBottom-UpandTop-DownVisualAttention[D].Calfania:CalifaniaInstituteofTechnology2000.黄瑜,马悦茜.基于视觉注意模型的图像检索技术研究[D].河南理工大学，2010.马天羽、邓文昊、杨俊天.基于运动选择注意的目标跟踪系统的研究[D].河北工业大学，2012.付泽和，成紫朝，周彦宏.视觉注意模型及其在目标检测中的应用研究[D].重庆大学，2009.唐志光,蒋欣怡.基于特征的异类图像复合配准技术研究[D].中北大学，2014.黄锦涛,马雪萱.基于FPGA的视频图像处理的研究与实现[D].河北大学，2014.致谢论文的完成，标志着我学术旅程的一个新起点。在