本書密切跟蹤國際前沿研究主流的發(fā)展趨勢，探析了顯著區(qū)域提取的研究方向、顯著區(qū)域的提取方法及其應用，以顯著性檢測的關鍵因素為導向，以論述基礎概念、研究相關算法、提出可行模型為主線，構建了面向社群圖像的顯著性數據集，提出了顯著區(qū)域提取模型，并利用顯著性檢測技術有效地解決了對象類圖像庫的分類問題。 本書可作為高等院校和科研機構計算機科學與技術相關專業(yè)本科生和研究生的教學參考書，也可以作為計算機視覺領域技術人員的參考書。
梁曄，2004.7-至今，一直在北京聯(lián)合大學（北京市信息服務工程重點實驗室）從事圖像處理方面的教學和研究工作，發(fā)表過多部相關著作和教材。承擔了多項省部級相關課題，如國家自然科學基金項目“無人車多視視頻信息獲取與定位關鍵技術”（項目編號：61871038）等。
目 錄
第1章 緒論 1
1.1 研究背景和意義 1
1.2 研究現狀 6
1.2.1 顯著區(qū)域提取方法的研究現狀及分析 6
1.2.2 顯著性數據集的研究現狀及分析 12
1.3 本書的主要研究內容 18
1.4 本書的內容安排 19
第2章 面向社交媒體圖像的顯著性數據集 21
2.1 引言 21
2.2 數據集的圖像篩選原則與性能評測方法 22
2.2.1 圖像篩選原則 22
2.2.2 數據集的性能評測方法 25
2.3 面向社交媒體圖像的顯著性數據集的構建 30
2.3.1 圖像來源 30
2.3.2 圖像標注 31
2.3.3 圖像篩選 32
2.3.4 數據集的統(tǒng)計分析與性能評測 32
2.3.5 數據集的典型圖像 36
2.3.6 數據集的標簽信息統(tǒng)計 38
2.4 本章小結 38
第3章 基于標簽上下文的顯著區(qū)域提取方法 40
3.1 引言 40
3.2 顯著區(qū)域提取流程 41
3.3 顯著區(qū)域提取方法建模 43
3.3.1 條件隨機場模型介紹 43
3.3.2 提取方法的模型描述 43
3.4 基于圖像外觀的顯著性計算 45
3.4.1 多尺度的區(qū)域分割 45
3.4.2 顯著性計算 46
3.4.3 空間一致性優(yōu)化 47
3.4.4 多尺度顯著圖融合 48
3.5 標簽語義特征計算 48
3.6 實驗 50
3.6.1 實驗設置 50
3.6.2 評價指標 52
3.6.3 標簽有效性的驗證實驗 53
3.6.4 與流行方法的比較 56
3.7 本章小結 61
第4章 基于多特征的顯著區(qū)域提取方法 62
4.1 引言 62
4.1.1 圖像特征的獲取方法 62
4.1.2 卷積神經網絡 63
4.1.3 基于層次結構的顯著區(qū)域提取方法 65
4.2 基于多特征的顯著區(qū)域提取方法流程 66
4.3 基于深度學習特征的顯著區(qū)域提取 67
4.3.1 基于CNN特征的顯著性計算 67
4.3.2 標簽語義特征計算 71
4.3.3 顯著圖和標簽語義圖的融合 72
4.4 基于人工設計特征的顯著區(qū)域提取 72
4.5 圖像依賴的顯著圖動態(tài)融合 74
4.5.1 方法思想 74
4.5.2 訓練階段 76
4.5.3 測試階段 76
4.5.4 基于投票機制的顯著圖融合 77
4.6 空間一致性優(yōu)化 79
4.7 實驗 80
4.7.1 實驗設置 80
4.7.2 SID數據集上的實驗 82
4.7.3 流行數據集上的實驗 89
4.7.4 基于深度學習特征提取方法和基于人工設計特征提取方法的比較 91
4.8 本章小結 92
第5章 顯著性在圖像分類中的應用 93
5.1 基于顯著性的圖像分類框架 93
5.1.1 分析思想的由來 93
5.1.2 圖像庫的顯著性分析 95
5.1.3 分類框架 96
5.2 特征編碼技術和特征池化技術 97
5.2.1 符號說明 97
5.2.2 特征編碼技術 98
5.2.3 特征池化技術 101
5.3 面向場景類圖像庫的分類方法 104
5.3.1 多環(huán)劃分的特征池化區(qū)域選擇方法 104
5.3.2 多視覺詞硬編碼方法 107
5.3.3 實驗 108
5.4 面向對象類圖像庫的分類方法 112
5.4.1 基于顯著性和空間局部約束的軟編碼方法 112
5.4.2 實驗 114
5.5 本章小結 116
第6章 總結與展望 117
6.1 總結 117
6.2 展望 118
參考文獻 120
新書資訊