部分内容展示

在早期信息技术还不发达的年代，人们的沟通和交流并不顺畅，信息共享基本无法实现；但是在信息技术不断演进的背景下，人们的沟通和交流变得更加快速和便捷，借助高速的信息传输通道，信息共享早已实现，并可以实现在线分享。而如何快速地匹配出同一个人在不同视角下的两张图片，如何快速并且有效地检测出图像中的所有目标并进行分类，已经成为当下人工智能技术领域研究的重点。本文通过对基于matlab的图像显著性检测算法进行研究，介绍了深度学习的概念和常见的显著性检测方法，并提出了基于颜色局部对比度的显著性检测方法和基于空间和颜色全局对比度的图像像素显著性检测方法，分别对两种算法进行了介绍，并基于matlab进行了实验对比，发现两种算法能实现教好的显著性检测。
 
关键词：显著性；算法；matlab；更多范文 伴随着计算机技术的不断发展，其在一定程度上促进图像处理技术的发展和应用，利用图像处理技术可以将图像信息向数字阵列进行转化，用于计算机的分析和处理，从而达到预期的结果。1950年，美国率先启动了计算机的深层次研究，主要涉及到计算机图像处理技术。1960年左右，计算机图像处理技术正式成为一门学科，并被纳入大学教育体系中。在互联网的数据交互中，数字图像相比于文字、语音、视频，其具有形象、生动，同时节省开销等优点。这些技术在各方面领域都得到普遍的利用，不但在军事领域、天文领域发挥重要的作用，在日常生活中也发挥巨大的作用，最为常见的是人们通过多媒体技术来记录生活中点点滴滴美好的时刻并通过网络分享给朋友和家人。近些年来，图像显著性检测吸引了大量研究者的兴趣，它可以应用到计算机视觉的各个方面，例如图像压缩，图像编辑，行人再识别和视觉跟踪等。显著性检测作为一种预处理技术，可以帮助人们检测出感兴趣的区域，从而利用该区域进行下一阶段的处理分析，这样可以很大地减少存储空间并且还可以提升处理效率和后续算法的计算速度。虽然目前已经出现大量的经典算法和深度学习算法，但是该领域仍然是一个十分具有挑战性的研究课题，仍存在许多问题急需解决。随着图像视频获取捕捉设备的发展，数据规模越来越大、内容越来越复杂，因此早期的计算机视觉算法逐渐不能胜任现如今的任务。所以，人们试图设计算法模拟人类视觉系统的显著性检测能力，来找出图像中的部分重要内容进行后续分析处理并忽略掉冗余信息，从而加速整个任务的执行。目前，显著性检测的研究主要包括两个方面：显著性检测模型的研究和显著性检测应用的研究。显著性检测模型的研究和显著性检测应用二者相互影响，相互促进。显著性检测模型对显著性检测应用具有指导作用，同时显著性检测应用又是对显著性模型的验证，也提出了新的研究方向。本文则是通过对基于matlab的图像显著性检测算法进行系统性的研究，可以为相关的科研人员提供较为全面的算法知识，并对当下十分火热的人工智能技术的演进，提供一定的技术参照，可以为海量图像的高效处理提供可行的解决方案，并以图像分类计算机视觉任务作为显著区域提取方法研究的应用对象具有非常重要的理论研究和实际应用意义。