1. 研究目的与意义
显著性检测近几年备受关注。从整个场景分离成离散的部分常规分割问题，显著性检测旨过滤掉语义区域与不重要的区域。其想法是检测人类的视觉系统，在人的视觉是一个快速而简单的前注意过程。自从它提供了许多视觉应用的快速预处理阶段以来，显著性检测成为计算机视觉的一个重要课题。谱残差模型中定义的图像平均幅度谱广泛的有效性、简单性、经典性和自然图像的信息不变形，并且可以描述出一副图像的异常区域,这大大减少了我们研究的工作量，在研究过程中不需要再去对图像的前景目标的特征等做相应的处理，所以可以用来进行图像中显著目标的检测。
图片的尺度对于显著区域的检测效果影响很大。如果尺度较大（分辨率高），则图像中的一些细节变化比较大的区域会被作为显著区域，一些细微的显著区域就会被检测出来；然而如果尺度较小（分辨率较低），则一些小的显著区域就会被忽视，打的显著区域就会被检测出来，因此本文选择多尺度采样的方法以避免。
起初，以Itti算法来找到显著区域的位置，但此方法计算量大、耗时长。经过不断的研究和改进。最后运用谱残差方法进行多尺度改进，其思想依旧采用Itti算法的思想，对图片的多种特征进行分析，对多种特征的图片进行谱残差预算，再结合得到显著图。谱残差的多尺度图像显著性提取的优点：
2. 研究内容与预期目标
一.研究内容显著性提取模拟人眼视觉注意机制，能够自动识别人眼对图像的感兴趣区域。利用自然图像的幅度谱特性，谱残差是最近提出的一种无关视觉底层特征的图像显著性提取方法。通过研究不同尺度的显著性融合，本毕业设计将对现有谱残差方法进行改进，使其更加符合生理学假设，以期取得更好的显著性提取效果。
多尺度物理模型是一种数学模型，它指对不同的区域或不同的尺度层次应用不同的物理规律。我们期望多尺度物理模型不仅能较好地反映物性机理，并且能为有效计算提供可能性。与传统计算方法研究不同，多尺度建模成为计算学科研究中的重要组成部分。
Hou等人提出的谱残差算法是最具有代表性的基于频域的显著性区域检测方法，有效编码假说指出：信息分为冗余部分和变化部分，人类视觉对变化部分更加敏感，通过去除输入信号的冗余信息，就可以获得图片中重要的信息，就是本文所提的显著图像。
3. 研究方法与步骤
早期研究中，Itti等人根据生物框架创建的显著性模型是最经典的显著性检测方法，但其计算量过多，时间消耗太多。经过不断的改进，还是在Itti算法的基础上改进，运用谱残差的多尺度方法进行提取图像的显著性。改进后的算法大大减少计算的量，从而缩短了很多时间，并且提取显著图像的质量也相对高。为了证明谱残差的多尺度算法比Itti算法得到的显著图像质量好。对此拟采了一下步骤：
（1）运用谱残差算法对所测显著提箱进行计算，得到提取显著图像。
（2）建立多尺度谱残差模型，并对该模型进行分析，算出差值。
4. 参考文献
[1] 刘娟妮, 彭进业, 李大湘,等. 基于谱残差和多分辨率分析的显著目标检测[J]. 中国图
形学报, 2011, 16(2):244-249.
[2] 刘宇光, 陈耀武. 基于运动谱残差的视频显著性检测算法[J]. 计算机工程, 2014, 40(12):247-250.
5. 工作计划
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
