图像显著性检测方法、系统、设备及计算机可读存储介质技术方案

本申请公开了一种图像显著性检测方法、系统、设备及计算机可读存储介质，其中，该方法包括利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型；利用目标检测模型检测待检测数据，得到相应的检测结果；基于显著性分割方法对检测结果进行优化，以提高图像显著性检测的精度。可见，本申请提供的上述方法，利用全卷积网络进行图像待训练模型的创建，原因是全卷积网络具有更高效的优点；并基于条件随机场，利用获取的训练样本对上述待训练模型进行迭代训练，尽可能提高检测精度，得到目标图像检测模型；接着，对相应的检测结果利用显著性分割方法进行优化，进一步提高图像显著性检测的精度。

【技术实现步骤摘要】
图像显著性检测方法、系统、设备及计算机可读存储介质
本专利技术涉及图像处理领域，特别涉及图像显著性检测方法、系统、设备及计算机可读存储介质。
技术介绍
随着人工智能的不断发展，计算机技术广泛应用于图像处理与分析领域，其中包括图像显著性检测、图像检索、目标定位等。图像显著性检测是指通过一定的方法检测出图像中吸引人注意的较为显著的区域。利用图像显著性检测技术，在对某个特定目标跟踪识别时，可以快速而准确地锁定目标对象的位置。因此，图像显著性检测技术已受到国内外心理学专家和计算机视觉研究者的广泛关注，在图像压缩和传输、高效存储、图像智能检索中也有了广泛应用。在计算机视觉和图像分析领域，通过图像显著性检测，可以快速而准确地定位感兴趣区域。在存储大量的图像时，可以只存储感兴趣的区域，而不是存储整张图像，可以节省大量的存储空间；在基于图像内容的检索中，可以利用已经检测到的显著区域，对图像进行遍历及匹配，而不需要对整张图像进行匹配，可以提高图像检索速度。在现有技术中，对图像进行显著性检测的方法分为两类，一类是人工提取特征方法，具体地，人工提取的特征是根据用户的先验知识得到的，很难保证是对测试样本来说最有效的特征，而且检测效率低。因而，开发了第二类技术方法，即随着深度学习的不断发展形成的基于卷积网络的图像显著性检测方法，基于卷积网络的显著性检测方法是让网络通过卷积自动地提取有效的特征，从而进行显著区域检测，因此基于卷积神经网络的图像显著性检测可以得到比人工提取特征方法更高的检测效果。但是基于卷积网络的图像显著性检测方法的检测精度仍然无法满足人们对更高图像显著性检测精度的需求。因此，如何提高图像显著性检测的精度是本领域技术人员亟待解决的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种图像显著性检测方法、系统、设备及计算机可读存储介质，提高图像显著性检测的精度。其具体方案如下：一种图像显著性检测方法，包括：利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型；其中，所述训练样本包括图像数据和标注数据；利用所述目标检测模型检测待检测数据，得到相应的检测结果；基于显著性分割方法对所述检测结果进行优化，以提高图像显著性检测的精度。优选的，所述利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型的过程之前还包括：将所述训练样本相应的图像尺寸由原始尺寸调整为预设尺寸。优选的，所述利用所述目标检测模型检测待检测数据，得到相应的检测结果的过程之前还包括：将所述待检测数据相应的图像尺寸由原始尺寸调整为所述预设尺寸。优选的，所述利用所述目标检测模型检测待检测数据，得到相应的检测结果的过程之后还包括：将所述检测结果相应的图像尺寸由所述预设尺寸调整至所述检测结果相应的原始尺寸。优选的，调整图像尺寸的过程包括：利用MATLAB中的imresize函数调整图像尺寸。优选的，所述利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型的过程包括：利用获取的训练样本，基于条件随机场，对所述待训练模型进行N次迭代训练，得到所述目标检测模型；其中，N为大于或等于35000的整数。优选的，所述对所述待训练模型进行N次迭代训练的方式具体为：每次从所述训练样本相应的图像中挑选任意一张图像对所述待训练模型进行迭代训练。相应的，本专利技术提供一种图像显著性检测系统，包括：模型训练模块，用于利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型；其中，所述训练样本包括图像数据和标注数据；数据检测模块，用于利用所述目标检测模型检测待检测数据，得到相应的检测结果；结果优化模块，基于显著性分割方法对所述检测结果进行优化，以提高图像显著性检测的精度。相应的，本专利技术还提供一种图像显著性检测设备，所述图像显著性检测设备包括处理器及存储有图像显著性检测程序的存储器；其中，所述图像显著性检测程序配置为实现如上述的图像显著性检测方法的步骤。相应的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有单芯片图像显著性检测程序，所述图像显著性检测程序被处理器执行时实现如上述的图像显著性检测方法的步骤。本专利技术提供一种图像显著性检测方法，包括：利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型；其中，训练样本包括图像数据和标注数据；利用目标检测模型检测待检测数据，得到相应的检测结果；基于显著性分割方法对检测结果进行优化，以提高图像显著性检测的精度。可见，本专利技术提供的图像显著性检测方法，利用全卷积网络进行图像待训练模型的创建，原因是全卷积网络避免了使用像素块而带来的重复存储和计算卷积的问题，因而更加高效；并基于条件随机场，利用获取的训练样本对上述待训练模型进行迭代训练，尽可能提高检测精度，得到目标图像检测模型，与现有技术中利用深度学习构建的图像检测模型相比，提高图像显著性检测的精度；接着，利用目标检测模型检测待检测数据，得到相应的检测结果；并对检测结果利用显著性分割方法进行优化，进一步提高图像显著性检测的精度。相关检测结果表明：利用上述技术方案检测不同数据库中的待检测数据的检测精度显著高于利用深度学习构建的图像检测模型的检测精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例提供的一种图像显著性检测方法的流程图；图2为本专利技术实施例提供的另外一种图像显著性检测方法的流程图；图3为本专利技术实施例提供的一种图像显著性检系统的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例公开了一种图像显著性检测方法，如图1所示，包括：步骤S11：利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型；其中，训练样本包括图像数据和标注数据。需要进行说明的是，本步骤中的待训练模型基于全卷积网络的原因：全卷积网络具有以下优点：一是可以接受任意大小的输入图像，而不用要求所有的训练图像和测试图像具有同样的尺寸。二是更加高效，因为避免了由于使用像素块而带来的重复存储和计算卷积的问题。需要进行进一步说明的是，上述条件随机场(conditionalrandomfield，CRF)是给定一组输入随机变量条件下另一组输出随机变量的条件概率分布模型，其特点是假设输出随机变量构成马尔可夫随机场。上述步骤利用条件随机场可以根据上一组的训练结果，对待训练模型的参数进行迭代，使测试精度不断提高，不断逼近基于全卷积网络的图像显著性检测模型的测试精度极限，进而得到目标图像测试模型。步骤S12本文档来自技高网...

【技术保护点】
1.一种图像显著性检测方法，其特征在于，包括：利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型；其中，所述训练样本包括图像数据和标注数据；利用所述目标检测模型检测待检测数据，得到相应的检测结果；基于显著性分割方法对所述检测结果进行优化，以提高图像显著性检测的精度。

【技术特征摘要】
1.一种图像显著性检测方法，其特征在于，包括：利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型；其中，所述训练样本包括图像数据和标注数据；利用所述目标检测模型检测待检测数据，得到相应的检测结果；基于显著性分割方法对所述检测结果进行优化，以提高图像显著性检测的精度。2.根据权利要求1所述的图像显著性检测方法，其特征在于，所述利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型的过程之前还包括：将所述训练样本相应的图像尺寸由原始尺寸调整为预设尺寸。3.根据权利要求2所述的图像显著性检测方法，其特征在于，所述利用所述目标检测模型检测待检测数据，得到相应的检测结果的过程之前还包括：将所述待检测数据相应的图像尺寸由原始尺寸调整为所述预设尺寸。4.根据权利要求3所述的图像显著性检测方法，其特征在于，所述利用所述目标检测模型检测待检测数据，得到相应的检测结果的过程之后还包括：将所述检测结果相应的图像尺寸由所述预设尺寸调整至所述检测结果相应的原始尺寸。5.根据权利要求2至4任一项所述的图像显著性检测方法，其特征在于，调整图像尺寸的过程包括：利用MATLAB中的imresize函数调整图像尺寸。6.根据权利要求1所述的图像显著性检测方法，其特征在于，所述利用获取的训练...

【专利技术属性】
技术研发人员：钟宝江，魏建欢，宋为刚，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32