毕业设计1-开题报告

这是开题报告，差不多就是这个格式，其实我是抄的大连科大一个大牛的文章。大牛写了一篇9页的论文，9页！老师让我先复现，我连看都看不懂啊。看了一星期没看懂啊。

一 毕业设计（论文）内容

任务书内容： 1.           查阅文献，总结目前该领域的相关方法，选定技术路线。 2.           设计图像显著性检测方法，计算得到显著性图。 3.           利用图像分割方法，提取出显著性区域。 4.           使用Matlab和C++对算法进行实现，对结果进行分析和验证。 对任务书的理解： 1. 首先需要阅读一些相关的论文，了解当前领域前端的技术水平，以及效果比较好的一些算法的具体实现思路是什么。通过阅读论文还可以积累知识储备，逐渐地深入到这个领域，看懂一些一开始看不懂的或不能理解的术语和相对来说比较专业的模块。 通过阅读论文，要求在诸多优秀的算法中挑选出一种公认的前景和当前效果都比较优良的方法。然后根据作者的思路再结合自己的理解和创新复现这样一个显著性检测过程。 2. 根据论文或其他文献、互联网上的知识明确技术路线后根据自己的实际情况设计一个可行的方案。具体编程实现显著性检测过程。对一幅原始图像进行处理然后得到每个像素点的显著性值或显著概率，由此生成一幅显著性图。 3. 根据显著性图对原始图像进行图像分割，或者直接将原始图像上对应的显著性概率大的地方高亮，获得强对比度的前背景分割。由此获得显著性区域。 主要的编程工具是Matlab和c++。Matlab主要用于一些较专业的数学运算如矩阵相乘，c++实现程序的控制部份。将最后生成的结果和标准值比较，获得自己方法的优劣判断。

二 研究方案

经查阅论文和互联网搜索，对图像的显著性检测领域现有的一些优秀方法做了调研，目前前端水平的思路主要有： 1. 类图割方法。主要思路是图化图像，将图像的局部相似区域聚合成图的节点，节点和节点之间以差异度的衡量作为边的权重，由此将图像的显著性检测问题转化为求图的最大流最小割问题或者类似的能量方程最优解问题。用类图割方法分割出来的区域因为区域内相似度最小化和区域间相似度最大化所以更有可能是前景区域。 2. 协同显著性检测。协同显著性检测通过利用其他的也包含相同显著性物体的图片相互辅助检测前景显著性物体。一般思路是选定一系列带有相同显著性物体的图片，对某一幅图像进行处理时所有其他的图像都成为被处理图像的指导图像。通过考虑被处理图像本身的特征、指导图像的指导特征以及两者之间的差异度、空间关系等获得对被处理图像像素点的显著性概率，根据显著性概率确定显著性区域。 3. 贝叶斯模型。基于数学上的贝叶斯方法建造模型，计算某个像素在某种标记情况下的贝叶斯概率，根据概率修改标记组合，寻求一种使显著性概率最大的标记组合。 4. 测地距法。这一类方法首先需确定一部分背景区域，一部分方法简单地把图像的边界区域视为背景，同样图化一幅图像，首先计算节点之间的差异作为边，然后计算节点到背景的测地距，测地距大的说明节点与背景的差异大，更有可能是前景区域。 5. 背景逼近。这类方法首先确定一部分图像的背景，例如默认图像的边界为背景，然后从背景区域开始向未知区域逼近，与已知背景差异度小于一定阈值的归为背景，否则视为前景，最后得到显著性的区域。 6. 神经网络方法。这种方法使用深度神经网络，首先在测试图像集中提取一部分原始图像和标准显著性图像对深度神经网络进行训练，调整深度神经网络的参数。最后训练完成的神经网络可以对类似的图像进行处理得到接近标准显著性图像的显著性图。 通过借鉴LijunWang†, Huchuan Lu†, Xiang Ruan‡ and Ming-Hsuan Yang§ †Dalian University ofTechnology ‡OMRON Corporation §University of California at Merced ，Deep Networks for Saliency Detection via Local Estimation and GlobalSearch中的方法，拟定采用的方案是结合一般图像处理方法和深度神经网络方法的显著性检测。主要思路是： 1.  首先对图像进行预处理，预处理的目的在于聚合特征相似的像素点，减少神经网络的输入参数或者图像处理的规模，加快算法速度。现在考虑的预处理方法主要是两种，一种方法是采用简单线性迭代聚合(SLIC)方法来进行超像素分割。将特征相似的像素点聚合为超像素；另一种方法是采用卷积神经网络(CNN)与图像进行局部性的连接而不是全连接。后者在图像的局部估计阶段在深度神经网络的前几层设置卷积层，可以大幅度降低输入参数的数量。 2.  深度神经网络搭建和训练。计划分两阶段实现：第一阶段是局部估计阶段，首先搭建第一级深度神经网络，输入数据集上一部分训练图像和标准结果用于参数学习，目的在于根据图像的局部信息(如像素块、超像素及其周围环境)初步地估计像素或超像素的显著性值。得到一个局部估计显著图。第二阶段是全局处理阶段，由第一阶段得到的图像的局部显著性经过处理后获得一系列的物体候选。此时可以将这些候选的全局特征(边界对比度、图像统计散度、内部方差、几何信息和物体候选区域的局部显著性衡量等)作为第二级深度神经网络的输入继续训练。最后训练得到的两级神经网络可以对同一数据集的图像进行处理而获得显著性图。 根据得到的显著性图对原始图像进行前背景分割获得显著性区域，与标准值进行比对获得方法的优劣判断。