基于背景与目标先验的多尺度扩散显著目标检测方法技术

本发明专利技术公开了基于背景与目标先验的多尺度扩散显著目标检测方法，首先利用简单线性迭代聚类算法将图像分割为不同尺度下的超像素；然后，将图像四周作为背景先验，计算每个像素与背景超像素在CIELAB颜色空间的欧氏距离得到背景显著图；并且，同时使用目标性作为先验信息得到前景显著图；通过贝叶斯推理在每个尺度上计算每个超像素的背景显著性和目标显著性，得到融合前景和背景先验的显著图；再次，选择流形排序法将各个超像素的显著性传播到整幅图像中得到空间优化后的显著图；最后，通过不同尺度下显著性值的加权求和构造像素级显著图。实验结果表明，在四种公共基准数据集上，本发明专利技术方法相比于传统方法能够更有效地检测显著目标。

Multi scale diffusion salient target detection method based on background and target prior

The invention discloses a multi-scale diffused salient target detection method based on background and target prior. Firstly, the image is divided into super-pixels of different scales by using simple linear iterative clustering algorithm; then, the Euclidean distance between each pixel and background super-pixel in CIELAB color space is calculated by taking the surrounding of the image as background prior. The background saliency map is obtained, and the foreground saliency map is obtained by using the target as a priori information; the background saliency and target saliency of each superpixel are calculated at each scale by Bayesian reasoning, and the fusion foreground and background saliency map is obtained; thirdly, the manifold sorting method is selected to display each superpixel. Finally, the pixel-level saliency map is constructed by weighted sum of saliency values at different scales. Experimental results show that the proposed method can detect salient targets more effectively than traditional methods on four common reference data sets.

【技术实现步骤摘要】
基于背景与目标先验的多尺度扩散显著目标检测方法
本专利技术涉及基于背景与目标先验的多尺度扩散显著目标检测方法，属于图像显著性目标检测

技术介绍
在处理数量庞大的输入信息时，人类视觉利用注意机制筛选出部分最有价值的数据进行优先处理。受此启发，计算机建立显著性检测模型自动选择出图像场景中最感兴趣部分来减少后续分析的复杂度和处理的计算量。早期的显著性模型倾向于人眼视觉关注点，显著性目标检测由于能够得到较为完整的整体目标，在图像分割、目标识别和图像检索等领域有着广泛的应用而得到更多的关注。近年来，图像四周区域在多个显著性检测模型中充当了背景先验，为检测显著性提供了有效的视觉信息。因此，越来越多的自下而上的方法倾向于使用图像边界作为背景种子。Wei等人(Y.Wei,F.Wen,W.Zhu,andJ.Sun,“Geodesicsaliencyusingbackgroundpriors,”inProc.ofthe12thEuropeanConferenceonComputerVision,pp.29-42,Oct.7-13,2012)提出了一种用测地线距离表示的显著度，通过计算到虚拟背景节点的最短路径的长度来测量图像块的显著性。Lu等人(H.C.Lu,X.H.Li,L.H.Zhang,X.Ruan,andM.H.Yang,“DenseandSparsereconstructionErrorBasedSaliencyDescriptor,”IEEETransactiononImageProcessing,vol.25,no.4,pp.1592-1603,Apr.,2016)利用图像四周超像素构建背景词典，分别计算各个图像块的稠密和稀疏重构误差得到显著图，最后使用贝叶斯公式将二者有效地结合了起来。Zhu等(ZhuWJ,LiangS,WeiYC,SunJ.Saliencyoptimizationfromrobustbackgrounddetection[C].Proceedingsofthe27thInternationalConferenceonComputerVisionandPatternRecognition.Columbus,USA:IEEEComputerSociety,2014:2814-2821.doi:10.1109/CVPR.2014.360)利用每个区域包含边界的比例定义边界连通性来进一步判定图像四周中的超像素是否属于背景，从而得到更鲁棒的背景先验信息完成显著性检测。但当目标出现在图像边缘时可能导致错误的检测结果，并且目标可能出现在多个尺度上，单个尺度上的检测无法充分挖掘检测性能。此外，为了更有效地探索图像边界作为先验信息，进而构建显著性目标检测模型，基于扩散的方法表现出良好的检测效果，已经引起学者越来越多的兴趣。这些方法都将图像映射为以图像超像素为节点的图形，边缘强度与超像素相似度成正比，然后在此图上，背景种子点的显著性信息被空间传播到整个图像。例如，Yang等(ZhangLH,YangC,LuHC,RuanX,YangMH.RankingSaliency[J].IEEETransactiononPatternAnalysisandMachineIntelligence,2016,38(9):1-15.doi:10.1109/TPAMI.2016.2609426)将图像的四周区域作为背景种子点，根据第一阶段的显著图选择新的前景种子点再次进行流形排序扩散，最后将上述两个步骤所得的显著图结合起来作为输出。Jia等人(C.Jia,J.Q.Qi,X.H.Li,andH.C.Lu,“Saliencydetectionviaaunifiedgenerativeanddiscriminativemodel,”Neurocomputing,vol.173,no.P2,pp.406-417,Jan.,2016)利用图像周边超像素计算初始显著图得到背景区域训练数据集，通过词典学习得到背景词典作为流形排序的种子点。但当目标出现在图像边缘时可能导致错误的检测结果，并且目标可能出现在多个尺度上，单个尺度上的检测无法充分挖掘检测性能。
技术实现思路
本专利技术所要解决的技术问题是：提供基于背景与目标先验的多尺度扩散显著目标检测方法，解决了当目标出现在边缘时可能导致的误差和单一尺度检测不准确的问题。本专利技术为解决上述技术问题采用以下技术方案：基于背景与目标先验的多尺度扩散显著目标检测方法，包括如下步骤：步骤1，利用简单线性迭代聚类算法将图像分割成尺度n下的超像素，且在尺度n下，超像素的数目为Rn，第i个超像素记为N为所有尺度的数目，利用Lab和RGB的色彩空间提取各超像素的平均颜色特征，根据平均颜色特征和超像素内所有像素的坐标描述各超像素，并将第i个超像素表示为RC×1为C×1的特征空间，C是特征维度；步骤2，将图像的边界超像素作为背景超像素，若背景超像素的数目为M，则尺度n下第k个背景超像素表示为构建背景超像素集合作为稀疏表示字典，RC×M为C×M的特征空间，对第i个超像素进行稀疏表示编码，并根据重构误差计算尺度n下第i个超像素的背景显著性值步骤3，随机选择图像中的任意像素作为窗口的中心，随机抽取图像中的10000个图像块作为10000个窗口，计算各窗口被判定为显著性目标的概率值，根据概率值计算图像中任意一个像素的显著性值，根据显著性值得到尺度n下第i个超像素的目标显著性值步骤4，通过贝叶斯推理整合尺度n下第i个超像素的背景显著性值和目标显著性值，得到尺度n下融合背景先验和目标先验的第i个超像素的显著性值，即融合显著性值步骤5，针对尺度n，将每个超像素作为结点构建集合V，将结点之间的连接作为边构建集合E，根据V和E构造图G(V,E)，所有结点间的权值矩阵为W，其中第i个结点和第j个结点之间的权值为wji，得到度矩阵为步骤6，针对尺度n，根据步骤4得到的融合显著性值计算该尺度下所有超像素的平均显著性值将平均显著性值作为阈值对该尺度下的所有超像素的融合显著性值进行二进制分割，得到二进制显著性值使用流形排序将二进制显著性值传播到整个图像，并根据度矩阵获得每个超像素的最终显著性值步骤7，重复步骤2-6，计算不同尺度下所有超像素的最终显著性值，通过加权求和将不同尺度下所有超像素的最终显著性值传播到像素，得到像素级显著图Sp。作为本专利技术的一种优选方案，步骤1所述简单线性迭代聚类算法的具体步骤如下：(1)初始化种子点即聚类中心，按照设定的超像素个数K，在图像内均匀分配种子点，图像总的像素点个数为Num，每个超像素的大小为Num/K，相邻种子点的距离为DS＝sqrt(Num/K)；(2)在以种子点为中心的3*3邻域内选择梯度最小的像素作为新的种子点；(3)计算每个新的种子点与其2DS*2DS邻域内像素点的距离，将各像素点分配给与其距离最近的种子点，距离公式为：其中，dc为颜色距离，dh为空间距离，Dist为颜色距离和归一化的空间距离的和，l,a,b为Lab色彩模型的三要素，x,y分别为像素点的横,纵坐标，下标v,u分别表示第v,u个像素点，mp表示超像素紧凑程度；(4)根据各像素点对应的种子点重新计算聚类中心，计算当前聚类中心与之本文档来自技高网...

【技术保护点】
1.基于背景与目标先验的多尺度扩散显著目标检测方法，其特征在于，包括如下步骤：步骤1，利用简单线性迭代聚类算法将图像分割成尺度n下的超像素，且在尺度n下，超像素的数目为Rn，第i个超像素记为

【技术特征摘要】
1.基于背景与目标先验的多尺度扩散显著目标检测方法，其特征在于，包括如下步骤：步骤1，利用简单线性迭代聚类算法将图像分割成尺度n下的超像素，且在尺度n下，超像素的数目为Rn，第i个超像素记为N为所有尺度的数目，利用Lab和RGB的色彩空间提取各超像素的平均颜色特征，根据平均颜色特征和超像素内所有像素的坐标描述各超像素，并将第i个超像素表示为RC×1为C×1的特征空间，C是特征维度；步骤2，将图像的边界超像素作为背景超像素，若背景超像素的数目为M，则尺度n下第k个背景超像素表示为构建背景超像素集合作为稀疏表示字典，RC×M为C×M的特征空间，对第i个超像素进行稀疏表示编码，并根据重构误差计算尺度n下第i个超像素的背景显著性值步骤3，随机选择图像中的任意像素作为窗口的中心，随机抽取图像中的10000个图像块作为10000个窗口，计算各窗口被判定为显著性目标的概率值，根据概率值计算图像中任意一个像素的显著性值，根据显著性值得到尺度n下第i个超像素的目标显著性值步骤4，通过贝叶斯推理整合尺度n下第i个超像素的背景显著性值和目标显著性值，得到尺度n下融合背景先验和目标先验的第i个超像素的显著性值，即融合显著性值步骤5，针对尺度n，将每个超像素作为结点构建集合V，将结点之间的连接作为边构建集合E，根据V和E构造图G(V,E)，所有结点间的权值矩阵为W，其中第i个结点和第j个结点之间的权值为wji，得到度矩阵为步骤6，针对尺度n，根据步骤4得到的融合显著性值计算该尺度下所有超像素的平均显著性值将平均显著性值作为阈值对该尺度下的所有超像素的融合显著性值进行二进制分割，得到二进制显著性值使用流形排序将二进制显著性值传播到整个图像，并根据度矩阵获得每个超像素的最终显著性值步骤7，重复步骤2-6，计算不同尺度下所有超像素的最终显著性值，通过加权求和将不同尺度下所有超像素的最终显著性值传播到像素，得到像素级显著图Sp。2.根据权利要求1所述基于背景与目标先验的多尺度扩散显著目标检测方法，其特征在于，步骤1所述简单线性迭代聚类算法的具体步骤如下：(1)初始化种子点即聚类中心，按照设定的超像素个数K，在图像内均匀分配种子点，图像总的像素点个数为Num，每个超像素的大小为Num/K，相邻种子点的距离为DS＝sqrt(Num/K)；(2)在以种子点为中心的3*3邻域内选择梯度最小的像素作为新的种子点；(3)计算每个新的种子点与其2DS*2DS邻域内像素点的距离，将各像素点分配给与其距离最近的种子点，距离公式为：其中，dc为颜色距离，dh为空间距离，Dist为颜色距离和归一化的空间距离的和，l,a,b为Lab色彩模型的三要素，x,y分别为像素点的横,纵坐标，下标v,u分别表示第v,u个像素点，mp表示超像素紧凑程度；(4)根据各像素点对应的种子点重新计算聚类中心，计算当前聚类中心与之前聚类中心的误差，若误差大于指定阈值则重复步骤(2)-(4)，否则转(5)；...

【专利技术属性】
技术研发人员：刘凡，吕坦悦，杨赛，许峰，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32