基于融合类测地线和边界对比的图像显著性检测方法技术

本发明专利技术基于融合类测地线和边界对比的图像显著性检测方法，涉及一般的图像数据处理中的图像分析，步骤是，输入彩色图像；超像素分割，包括规则的超像素分割和不规则的超像素分割；计算边界对比图Sc；计算有颜色对比的测地线图Gc和无颜色对比的测地线图Gn，包括预处理、计算邻接矩阵和计算有颜色对比的测地线图Gc和无颜色对比的测地线图Gn；融合三种特征图得到显著图。本发明专利技术克服了现有技术无法一致地高亮显著目标的缺陷。

【技术实现步骤摘要】

本专利技术的技术方案涉及一般的图像数据处理中的图像分析，具体地说是基于融合类测地线和边界对比的图像显著性检测方法。
技术介绍
图像的显著性反映了人眼对图像中不同区域的感兴趣程度。如今图像显著检测已广泛应用到了图像压缩、图像缩放、目标识别和图像分割等领域。然而随着计算机的智能发展，显著性检测应用的不断普及，人们对图像显著性检测的性能要求也在不断提升，希望计算机可以更加智能化地模仿人类视觉系统，在图像显著信息的提取中获得更高质量的显著图。如何精准、快速地从海量图片中定位图像中的显著区域，提取人们所需要的信息是目前亟待解决的问题。图像显著性的研究首先出现在生物学上。最具代表性的是Itti等人基于Koch和Ullman提出的一种生物结构基础，模拟人的视觉注意力机制，认为像素与背景的对比是吸引人注意的重要因素，综合考虑颜色、亮度、方向多种图像特征，提出了图像显著性检测方法。目前，很多方法突破了严格的生物学模型，采用纯计算的模型，使计算机对图像的显著性检测更简单化。如Achanta等人在2009年提出的频率调制方法(FT)，将图像进行相同带宽下的多带通滤波，采用全局对比方法，在LAB空间上对比各像素点与图像的其它所有像素点，对图像进行显著性检测。采用纯计算的图像显著性算法检测效果相对于基于生物学模型的算法有所提高，但相比于人的主观识别仍有些差距。无论是基于生物学还是纯计算的显著性检测算法，大多采用了对比优先的思想。图像显著性检测根据对比的范围分为全局对比方法和局部对比方法。除了FT算法外，程明明等人在2015年提出的基于区域对比方法(RC)也是一种全局对比算法，在将图像进行超像素分割的基础上，在LAB空间上进行区域对比，并与各区域间的空间距离相结合，从图像中提取显著目标。全局对比方法通过各像素点或超像素与整幅图像的特征相对比计算各点或各区域的显著性，当图像背景复杂或目标较大时，显著目标与图像整体的特征差别不明显，图像的显著区域则无法被高亮，因此全局对比方法针对背景复杂或显著目标较大的图像效果较差。采用局部对比的图像显著性检测算法有2008年Achanta等人提出的AC方法，它在LAB空间上以像素点为单位，在不同尺度邻域上分别进行局部对比计算中心-周围距离，并融合各尺度邻域下的特征图，从而计算图像的显著性。局部对比方法利用局部邻域与中心相对比，当显著区域内部较平滑时，局部对比会因为内部区域对比不明显而无法高亮这一区域，因此局部对比方法存在削弱目标内部，无法一致高亮整个显著目标的缺点。对比优先思想的方法，根据出发点不同，分为前景优先思想和背景优先思想。上文提到的RC方法，属于前景优先思想，即从图像前景出发，除了颜色和亮度特征外，根据图像的前景区域一般不居于边界位置的特点为离中心更近的区域赋予更大的权重。背景优先思想，从假定图像的狭小边界为背景区域出发，利用相邻区域之间颜色和亮度的累加，从而得到的显著图比前景优先算法得到的显著图能更有效地削弱复杂背景，高亮显著目标。2012年Wei等人在测地线方法(GS)中采用了背景优先思想，根据这样的先验知识即图像的边界大多属于背景，结合图像背景间的连接特性，通过计算各区域到图像边界的最短距离估计各区域的显著性，得到的显著图更加完整，并且一致高亮。CN104103082A公开了一种基于区域描述和先验知识的图像显著性检测方法，运用了图像的颜色特征、纹理特征以及空间特征，通过粗检和精检两次检测，来突出图像的显著区域，但检测的时间效率低，且未考虑前景与背景对比度小的图像，不具有普遍的适用性。CN105139018A公开了一种基于颜色和纹理聚集度的图像显著性检测方法，从颜色和纹理特征图中提取有用信息，该方法忽略了图像的空间特征，图像中具有相似颜色和纹理特征但位于不同位置的像素块很可能不同时属于图像的背景或前景，因此这种方法不具备鲁棒性。目前的显著性检测算法采用纯计算的算法检测效果相对于基于生物学模型的算法在效率和效果上均有所提高，一些基于背景优先思想的算法得到的显著图相比于基于前景优先思想的算法在复杂背景的图像检测上取得了较好的效果，但针对前景与背景对比度小的图像，现有技术仍然无法一致地高亮显著目标。
技术实现思路
本专利技术所要解决的技术问题是：提供一种基于融合类测地线和边界对比的图像显著性检测方法，采用背景优先思想，以图像边界区域大多为背景这一先验知识，将各区域与背景区域对比得到边界对比图，然后线性融合边界对比图和有颜色对比的测地线图，并与含空间特征的无颜色对比的测地线图相乘，得到显著图，克服了现有技术无法一致地高亮显著目标的缺陷。本专利技术解决该技术问题所采用的技术方案是：基于融合类测地线和边界对比的图像显著性检测方法，具体步骤如下：第一步，输入彩色图像：通过USB接口向计算机输入RGB图像I0，大小为M×N像素；第二步，超像素分割：对上述第一步输入的图像I0进行规则的超像素分割和不规则的超像素分割，具体步骤如下：(2.1)规则的超像素分割：对上述第一步输入的图像I0，以s×s像素的正方形像素块为分割单位对其分割，得到M′×N′个规则的超像素，其中M’＝<M/s>，N’＝<N/s>，<.>为取整，分割后的图像由RGB空间转化到LAB空间，在LAB空间上，用规则超像素各通道灰度特征的平均值代替像素块在该通道上的特征值，从而得到规则超像素分割后的图像I1；(2.2)不规则的超像素分割：对上述第一步输入的图像I0，利用SLIC算法进行不规则的超像素分割，设定一幅图像分割的超像素个数为x，将分割后的图像由RGB空间转化到LAB空间，在LAB空间上，用不规则超像素在L、A、B三通道的平均值代替像素块在该通道上的特征值，从而得到不规则超像素分割后的LAB图像I2；第三步，计算边界对比图Sc：以上述(2.1)步中规则超像素分割后的图像I1为输入，为各规则超像素编号i＝1,…,M′×N′，并存储处于图像边界的规则超像素编号j＝1,…,W，其中W为边界规则超像素个数，计算图像的每个规则超像素rpi(i＝1,…,M′×N′)与所有的边界规则超像素rpj(j＝1,…,W)在LAB空间上的L、A、B三个通道的距离平方和，作为边界对比特征，得到边界对比图Sc：Sc(rpi)=Σj=1,...,WΔLAB(rpi,rpj)---(1),]]>ΔLAB(rpi,rpj)=(L(rpi)-L(rpj))2+(A(rpi)-A(rpj))2+(B(rpi)-B(rpj))2---(2);]]>第四步，计算有颜色对比的测地线图Gc和无颜色对比的测地线图Gn：(4.1)预处理：输入上述(2.2)步中的不规则超像素分割后的LAB图像I2，为各不规则超像素编号,第i个不规则超像素为spi，然后将图像边界的不规则超像素编号存储于V；(4.2)计算邻接矩阵：设八邻域像素点为邻接点，对于任意两个不规则超像素spa和spb，若从不规则超像素spa和spb中各取一点p1和p2，点p1位于点p2的八邻域内，则这两个不规则超像素邻接，根据不规则超像素之间的邻接关系，计算邻接矩阵，规则如下：不规则超像素spa和不规则超像素spb邻接，则邻接矩阵中第a行第b列的值和第b本文档来自技高网...

【技术保护点】
基于融合类测地线和边界对比的图像显著性检测方法，其特征在于具体步骤如下：第一步，输入彩色图像：通过USB接口向计算机输入RGB图像I0，大小为M×N像素；第二步，超像素分割：对上述第一步输入的图像I0进行规则的超像素分割和不规则的超像素分割，具体步骤如下：(2.1)规则的超像素分割：对上述第一步输入的图像I0，以s×s像素的正方形像素块为分割单位对其分割，得到M′×N′个规则的超像素，其中M’＝<M/s>，N’＝<N/s>，<.>为取整，分割后的图像由RGB空间转化到LAB空间，在LAB空间上，用规则超像素各通道灰度特征的平均值代替像素块在该通道上的特征值，从而得到规则超像素分割后的图像I1；(2.2)不规则的超像素分割：对上述第一步输入的图像I0，利用SLIC算法进行不规则的超像素分割，设定一幅图像分割的超像素个数为x，将分割后的图像由RGB空间转化到LAB空间，在LAB空间上，用不规则超像素在L、A、B三通道的平均值代替像素块在该通道上的特征值，从而得到不规则超像素分割后的LAB图像I2；第三步，计算边界对比图Sc：以上述(2.1)步中规则超像素分割后的图像I1为输入，为各规则超像素编号i＝1,…,M′×N′，并存储处于图像边界的规则超像素编号j＝1,…,W，其中W为边界规则超像素个数，计算图像的每个规则超像素rpi(i＝1,…,M′×N′)与所有的边界规则超像素rpj(j＝1,…,W)在LAB空间上的L、A、B三个通道的距离平方和，作为边界对比特征，得到边界对比图Sc：Sc(rpi)=Σj=1,...,WΔLAB(rpi,rpj)---(1),]]>ΔLAB(rpi,rpj)=(L(rpi)-L(rpj))2+(A(rpi)-A(rpj))2+(B(rpi)-B(rpj))2---(2);]]>第四步，计算有颜色对比的测地线图Gc和无颜色对比的测地线图Gn：(4.1)预处理：输入上述(2.2)步中的不规则超像素分割后的LAB图像I2，为各不规则超像素编号,第i个不规则超像素为spi，然后将图像边界的不规则超像素编号存储于V；(4.2)计算邻接矩阵：设八邻域像素点为邻接点，对于任意两个不规则超像素spa和spb，若从不规则超像素spa和spb中各取一点p1和p2，点p1位于点p2的八邻域内，则这两个不规则超像素邻接，根据不规则超像素之间的邻接关系，计算邻接矩阵，规则如下：不规则超像素spa和不规则超像素spb邻接，则邻接矩阵中第a行第b列的值和第b行第a列的值标记为1，否则标记为0；(4.3)计算有颜色对比的测地线图Gc和无颜色对比的测地线图Gn：这里所述的有颜色对比的测地线图Gc和无颜色对比的测地线图Gn也统称为类测地线图，根据上述步(4.2)得到的邻接矩阵，得到与不规则超像素spi相邻的不规则超像素个数为n(i)，并将第k个与spi相邻的不规则超像素标记为其中代表不规则超像素spi本身，然后将边界不规则超像素spi(i∈V)的测地线值设定为0，同时为其它不规则超像素的类测地线值设定初值T，将所有与不规则超像素spi相邻接的不规则超像素的测地线值与对应的两个邻接不规则超像素间的距离相加，从中寻找最小值作为本次遍历得到的不规则超像素spi的测地线值Geo(spi)：Geo(spi)=0,i∈Vmink=0,1,...,n(i)(D(spi,spik)+Geo(spik)),i∉V---(3),]]> 其中，D(spi,spik)=1,spi∈GnΔLAB(spi,spik),spi∈Gc0,k=0---(4),]]>多次遍历各不规则超像素，并更新各不规则超像素的测地线值，直至遍历结果不再发生改变，从而得到有颜色对比的测地线图Gc和无颜色对比的测地线图Gn，即类测地线图；第五步，融合三种特征图得到显著图：融合上述第三步得到的边界对比图Sc、第四步得到的有颜色对比的测地线图Gc和无颜色对比的测地线图Gn求解显著图S，采用的融合公式如下：S＝(Sc+Gc)×Gn                    (5)。...

【技术特征摘要】
1.基于融合类测地线和边界对比的图像显著性检测方法，其特征在于具体步骤如下：第一步，输入彩色图像：通过USB接口向计算机输入RGB图像I0，大小为M×N像素；第二步，超像素分割：对上述第一步输入的图像I0进行规则的超像素分割和不规则的超像素分割，具体步骤如下：(2.1)规则的超像素分割：对上述第一步输入的图像I0，以s×s像素的正方形像素块为分割单位对其分割，得到M′×N′个规则的超像素，其中M’＝<M/s>，N’＝<N/s>，<.>为取整，分割后的图像由RGB空间转化到LAB空间，在LAB空间上，用规则超像素各通道灰度特征的平均值代替像素块在该通道上的特征值，从而得到规则超像素分割后的图像I1；(2.2)不规则的超像素分割：对上述第一步输入的图像I0，利用SLIC算法进行不规则的超像素分割，设定一幅图像分割的超像素个数为x，将分割后的图像由RGB空间转化到LAB空间，在LAB空间上，用不规则超像素在L、A、B三通道的平均值代替像素块在该通道上的特征值，从而得到不规则超像素分割后的LAB图像I2；第三步，计算边界对比图Sc：以上述(2.1)步中规则超像素分割后的图像I1为输入，为各规则超像素编号i＝1,…,M′×N′，并存储处于图像边界的规则超像素编号j＝1,…,W，其中W为边界规则超像素个数，计算图像的每个规则超像素rpi(i＝1,…,M′×N′)与所有的边界规则超像素rpj(j＝1,…,W)在LAB空间上的L、A、B三个通道的距离平方和，作为边界对比特征，得到边界对比图Sc：Sc(rpi)=Σj=1,...,WΔLAB(rpi,rpj)---(1),]]>ΔLAB(rpi,rpj)=(L(rpi)-L(rpj))2+(A(rpi)-A(rpj))2+(B(rpi)-B(rpj))2---(2);]]>第四步，计算有颜色对比的测地线图Gc和无颜色对比的测地线图Gn：(4.1)预处理：输入上述(2.2)步中的不规则超像素分割后的LAB图像I...

【专利技术属性】
技术研发人员：刘依，郭迎春，阎刚，于洋，师硕，翟艳东，马润欣，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12