一种基于分块与稀疏主特征提取的快速协同显著性检测方法，依次包括图像分块与原始像素的特征抽取、稀疏主特征提取、基于聚类的特征计算和协同显著图生成这样的四个步骤，有效地避免了现有技术中的忽略其它显著性目标、随着图像的趋于高清化和处理图像数量的增加带来的计算机内存问题和耗时问题无疑会给协同显著性检测方法在各种应用中的使用带来巨大的限制的缺陷。
【技术实现步骤摘要】
【专利摘要】一种，依次包括图像分块与原始像素的特征抽取、稀疏主特征提取、基于聚类的特征计算和协同显著图生成这样的四个步骤，有效地避免了现有技术中的忽略其它显著性目标、随着图像的趋于高清化和处理图像数量的增加带来的计算机内存问题和耗时问题无疑会给协同显著性检测方法在各种应用中的使用带来巨大的限制的缺陷。【专利说明】
本专利技术属于图像处理的
，具体涉及一种基于分块与稀疏主特征提取的快 速协同显著性检测方法。
技术介绍
最初对于显著性检测的研究的动机是通过模拟人的视觉注意力机制来预测人的 注意力。在过去的十多年里，研究者们已经提出了许多针对单幅图像显著性检测方法，并且 在显著目标检与分割、图像检索等应用中大量使用。协同显著性检测是从一组图像中发现 其间共有的显著性目标，对于目标协同分割与协同识别等研究具有重要的作用，是近年来 显著性检测中一个比较新颖的研究领域。与针对单幅图像的显著性检测方法相比，协同显 著性检测方法考虑了不同图像间的关联，突出强调在一组幅图像中同时存在的共有的显著 目标，而忽略其它显著性目标。协同显著图作为协同显著性检测的输出可以被用于目标的 协同分割、协同定位和图像检索，也是互联网视觉媒体检索的关键。 Jacobs从同一场景中捕获的一对图像，对图像中的每个像素点进行特征分析，再 利用由显著目标引起的图像局部结构变化来进行协同显著性检测。这个方法需要这对图像 有着高度相似的背景。Chen提出的协同显著性方法，通过计算K-L散度来衡量两幅图像间 所有预注意力块的相似程度。值得注意的是，这里预注意力块并不是一般的均匀分块，而是 以图像中所有的像素点为中心取块。不过分块的方法在增加了样本属性的同时也大幅增加 了该方法的计算复杂性。Li提出了一种通过使用复杂的协同多分子层图像方法将三种单一 图像的显著性和协同显著性图像进行线性组合。该方法中使用超像素块来代替原始像素点 进行相似度计算。虽然使用超像素块能够有效的减少样本点的个数，但是进行超像素分块 处理和三种针对单幅图像进行显著性检测方法的使用已经使该方法具有较高的时间复杂 性。只能运用在两幅图像上相比，可以处理两幅以上的图像。Chang同样使用了超像素技术， 首先为每一幅图像分别生成显著图，然后将在大多数图像中频繁出现的显著性部分作为协 同显著区域。Fu对输入图像的所有原始像素点进行聚类，合了对比特征、空间特征和相似特 征来检测聚类级的协同显著性。由于该方法的聚类时针对原始图像中的每一个像素点的， 因此随着输入图像数量的增加，因聚类而带来的耗时也不断增加。 从上面的这些研究中可以看出，与对单幅图像进行显著性检测的研究相比，研究 者利用额外的相似图像作为一种特征来进行显著性检测研究的方法是十分有效的。但是， 随着图像的趋于高清化和处理图像数量的增加带来的计算机内存问题和耗时问题，无疑会 给协同显著性检测方法在各种应用中的使用带来巨大的限制。
技术实现思路
本专利技术的目的提供一种， 依次包括图像分块与底层特征抽取、稀疏主特征提取、基于聚类的特征计算和协同显著图 生成这样的四个步骤，首先，通过图像分块与底层特征抽取的步骤对已设定大小的图像进 行均匀分块，从Lab颜色空间和RGB颜色空间这两种颜色空间进行针对原始像素的特征抽 取来构成图像块的原始像素的特征矩阵；然后，通过稀疏主特征提取的步骤来经过截断幂 TruncatecLPower方法对图像块的原始像素的特征矩阵进行稀疏主成分分析，以此来在得 到的图像块的稀疏特征进行选取；接着通过基于聚类的特征计算步骤来使用K-Means聚类 算法对选取出来的的图像块的稀疏特征进行聚类，计算出三种基于聚类的显著性的特征权 值；最后，通过协同显著图生成步骤来结合三种基于聚类的显著性的特征权值对经过特征 融合方法生成的单幅图像显著图和若干幅图像显著图进行组合生成协同显著图。有效地避 免了现有技术中的忽略其它显著性目标、随着图像的趋于高清化和处理图像数量的增加带 来的计算机内存问题和耗时问题无疑会给协同显著性检测方法在各种应用中的使用带来 巨大的限制的缺陷。 为了克服现有技术中的不足，本专利技术提供了一种基于分块与稀疏主特征提取的快 速协同显著性检测方法的解决方案，具体如下： -种，依次包括图像分块 与底层特征抽取、稀疏主特征提取、基于聚类的特征计算和协同显著图生成这样的四个步 骤，首先，通过图像分块与底层特征抽取的步骤对已设定大小的图像进行均匀分块，从Lab 颜色空间和RGB颜色空间这两种颜色空间进行针对原始像素的特征抽取来构成图像块的 原始像素的特征矩阵；然后，通过稀疏主特征提取的步骤来经过截断幂Truncated_Power 方法对图像块的原始像素的特征矩阵进行稀疏主成分分析，以此来对得到的图像块的稀疏 特征进行选取；接着通过基于聚类的特征计算步骤来使用K-Means聚类算法对选取出来的 的图像块的稀疏特征进行聚类，计算出三种基于聚类的显著性的特征权值；最后，通过协同 显著图生成步骤来结合三种基于聚类的显著性的特征权值对经过特征融合方法生成的单 幅图像显著图和若干幅图像显著图进行组合生成协同显著图，所述的选取出来的的图像块 的稀疏特征即为图像的稀疏主特征。 由这些技术特征，本专利技术通过对底层特征的基本分块操作达到减少样本数和增加 特征数量的效果。使用截断幂TruncatecLPower方法在分块的基础上进行稀疏主成分分析 并对得到的图像块的稀疏特征进行选取。在使用K-Means聚类方法对选取的图像块的稀疏 特征进行聚类的结果上进行三种显著的特征权值的度量，并从单幅图像和多幅图像两个角 度进行特征融合生成最终的协同显著图。实验结果表明，该方法在保证具有协同显著性检 测效果的同时，大幅的缩短了处理图像所需的时间，具有更好的协同显著性检测性能。 【专利附图】【附图说明】 图1为本专利技术的的流程 图。 图2为本专利技术的实施例的主成分个数与可解释率关系图。 图3为本专利技术的实施例的非零个数与可解释率关系图。 图4为本专利技术的实施例中针对CP数据集的协同显著性检测实验，从上至下依次是 5对原始图像、人工分割图、Li的方法生成的显著图、Fu的方法生成的显著图和本专利方法 生成的显著图。 图5为本专利技术的实施例中针对iCoseg数据集的协同显著性检测实验，从上至下依 次是5对原始图像、人工分割图、Fu的方法生成的显著图和本专利方法生成的显著图。 图6为本专利技术的实施例的针对CP数据集的不同协同显著性检测方法的PR曲线。 图7为本专利技术的实施例的针对iCoseg数据集的不同协同显著性检测方法的PR曲 线。 图8为本专利技术的实施例的当输入图像数量改变时，Fu和本专利方法平均处理每幅 图像所需的时间的坐标示意图。 【具体实施方式】 如图1所示，，依次包括 图像分块与原始像素的特征抽取、稀疏主特征提取、基于聚类的特征计算和协同显著图生 成这样的四个步骤，首先，通过图像分块与原始像素的特征抽取的步骤对已设定大小的图 像进行均匀分块，从Lab颜色空间和RGB颜色空间这两种颜色空间进行针对原始像素的 特征的抽取来构成图像块的原始像素的特征矩阵；然后，通过稀疏本文档来自技高网...
【技术保护点】
一种基于分块与稀疏主特征提取的快速协同显著性检测方法，其特征在于依次包括图像分块与原始像素的特征抽取、稀疏主特征提取、基于聚类的特征计算和协同显著图生成这样的四个步骤，首先，通过图像分块与原始像素的特征抽取的步骤对已设定大小的图像进行均匀分块，从Lab颜色空间和RGB颜色空间这两种颜色空间进行针对原始像素的特征抽取来构成图像块的原始像素的特征矩阵；然后，通过稀疏主特征提取的步骤来经过截断幂Truncated_Power方法对图像块的原始像素的特征矩阵进行稀疏主成分分析，以此来对得到的图像块的稀疏特征进行选取；接着通过基于聚类的特征计算步骤来使用K‑Means聚类算法对选取出来的的图像块的稀疏特征进行聚类，计算出三种基于聚类的显著性的特征权值；最后，通过协同显著图生成步骤来结合三种基于聚类的显著性的特征权值对经过特征融合方法生成的单幅图像显著图和若干幅图像显著图进行组合生成协同显著图，所述的选取出来的的图像块的稀疏特征即为图像的稀疏主特征。
【技术特征摘要】
【专利技术属性】
技术研发人员：周培云，李静，沈宁敏，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。