基于视觉显著性的图像分割 内容简介

本书系统地论述了多示例学习与图割的基本理论、算法及其在交通视频图像识别中的应用。全书共6章, **、二章供初学者学习, 论述了目标显著性检测方法、基于图论的图像分割方法与多示例学习方法的研究现状, 以及图像显著特征的基本定义与相似性度量的常用处理方法。第三、四章论述了显著性目标分割方法的基本原理及具体算法的实现步骤。第五章论述了基于多示例与图割优化的图像分割方法在实际交通视频图像识别中的应用。第六章为结论与展望。

基于视觉显著性的图像分割 本书特色

多示例学习与图割优化是近年来计算机视觉领域广受关注的研究方向。本书系统地论述了多示例学习与图割的基本理论、算法及其在交通视频图像识别中的应用。全书共6章，一、二章供初学者学习，论述了目标显著性检测方法、基于图论的图像分割方法与多示例学习方法的研究现状，以及图像显著特征的基本定义与相似性度量的常用处理方法。第三、四章论述了显著性目标分割方法的基本原理及具体算法的实现步骤。第五章论述了基于多示例与图割优化的图像分割方法在实际交通视频图像识别中的应用 。第六章为结论与展望。
本书适合计算机视觉、图像处理、模式识别等研究方向的读者及开发工程师参考学习。

基于视觉显著性的图像分割基于视觉显著性的图像分割前言

图像目标分割是计算机视觉领域的一个重要研究方向，同时也是视觉检测、跟踪与识别等应用的重要基础，其分割质量的好坏在很大程度上影响着整个视觉系统的性能。然而由于缺乏对人类视觉系统的深层认识，图像分割同时也成为了计算机视觉领域的一个经典难题。人类视觉系统能够有选择地注意所观察场景的主要内容，而忽略其他次要内容，视觉的这种选择性注意机制使得高效的信息处理成为可能，同时也启发了计算机视觉的研究者们从注意机制的角度另辟蹊径，因此具有人类视觉特性的图像分割模型将成为图像分割领域一个新的研究热点。
本书主要围绕图像的显著性检测与基于图论的图像分割方法展开研究。针对传统的显著性检测算法所定义的模型缺乏学习能力，以及对显著度的计算不能很好地反映视觉注意机制等问题，提出了一种基于多示例学习的显著性检测算法；并将显著性检测结果应用到基于图割的图像分割算法中，作为图割算法的输入，将图像的显著度引入图割框架，提出了一种基于图割优化的显著目标分割方法，解决了基于图论的图像分割方法计算复杂度高与边界分割不准确的问题。目的是让读者在交通视频图像处理研究领域快速入门，以解决交通视频基本视觉问题为出发点，激发读者对交通视频图像研究的兴趣，为更加深入的学习打好基础，并为解决实际应用问题提供研究思路。
我们依托陕西省道路交通智能检测与装备工程技术研究中心、“多源异构交通信息智能检测与融合技术”教育部科技创新团队、高等学校创新引智计划“车路信息感知与智能交通系统创新引智基地”，致力于车路环境感知的嵌入式图像处理与交通视频分析，搭建了多个省市地区交通视频大数据分析平台，并在多示例学习、图割理论、目标分割与跟踪方法，以及智能交通系统中的应用与实现等方面取得了良好的研究成果，本书即是我们在目标分割领域研究工作的初步总结。
本书的完成离不开团队研究生的支持与帮助。特此对王润民博士、沈超博士，徐江、樊星、连心雨、李强、张凡等研究生表示感谢。同时，本书的编写也得到了国家自然科学基金（61703054，51278058）、装备预研教育部联合基金（6141A02022322）、陕西省重点研发计划工业领域项目（2018ZDXM-GY-044）、长安大学中央高校基本科研业务费高新技术研究培育项目（300102248202）等科研项目的支持，特此感谢。

基于视觉显著性的图像分割 目录