一种基于加权分配D-S证据理论的显著图融合方法技术

一种基于加权分配D‑S证据理论的显著图融合方法，解决多种显著性检测方法得到的显著图的有效融合问题。首先，使用要融合的显著性检测方法生成各自的显著图。其次，将得到的各显著图视为证据，根据得到的显著图定义各显著性检测方法所对应的识别框架与mass函数。然后，计算各证据间的相似系数与相似矩阵，进而得到各证据的支持度与可信度。接着以可信度为权重对mass函数值进行加权平均得到一幅显著图。然后使用D‑S合成规则将加权平均证据合成得到另一幅显著图。最后，将得到的两幅显著图再次加权求和得到最后的显著图。该方法能够识别出图像中的最显著部分，融合现有优秀显著性检测方法各自的优势，得到的检测效果优于各合成方法独自进行显著性检验时的效果。

【技术实现步骤摘要】

本专利技术属于图像处理领域，涉及一种基于加权分配D-S证据理论的显著图融合方法。
技术介绍
图像显著性检测旨在找出图像中最重要的部分，是计算机视觉领域用来降低计算复杂度的重要的预处理步骤，在图像压缩、目标识别、图像分割等领域有着广泛的应用，同时它又是计算机视觉中具有挑战性的问题，吸引着大量学者的研究兴趣。目前已出现了大量优秀的图像显著性检测的方法，这些方法各自都有自己的优势与不足，即使是一种显著性检测方法，对于不同的图片检测效果也是差异巨大的。为此能够融合多种显著性检测方法的结果，以得到更优显著图的方法就显得尤为重要了。有一些传统的显著图融合的方法，它们多是对于多幅显著图进行简单的加和平均或是简单相乘取平均，这种显著图融合方式将各种显著图同等对待，把各种显著性检测方法的权值设为同一数值，这在实际中是不合理的，因为对于一幅图片甚至是每一个像素点，各种显著性检测方法的检测效果都是不同的，为此各显著性检测方法的权值也理应设置不同。当前也存在一些研究融合多幅显著图的方法，如Mai等人利用条件随机场(CRF)来融合多幅显著图，但计算速度太慢；Qin等人利用多层元胞自动机(MCA)来融合多幅显著图，得到了非常好的效果，但是其召回率方面效果并不能令人满意。我们发现了D-S(Dempster-Shafer)证据理论在融合不确定事件中表现出的优异性，而且它是以一个概率区间而不是一个单一的概率值去建模不确定性，对于显著性检测，这种特质更加适用。D-S证据理论最初以Dempster的工作为基础的，是一种不精确推理理论，属于人工智能范畴，最早应用于专家系统中，具有处理不确定信息的能力，在医学诊断、目标识别、军事指挥等方面有着广泛的应用，但目前在显著性检测领域还没有应用。Murphy看到传统D-S证据理论中将各证据同等看待存在的不足，对D-S证据理论进行了改进，得到了加权分配D-S证据理论。看到加权分配D-S证据理论在融合多种决策上的有效性，本专利技术将加权分配D-S证据理论应用范围扩展到图像显著性检测领域，使用加权分配D-S证据理论来融合多幅显著图，充分利用多个显著图的优点，提高了显著性检测的效果，融合后的效果明显高于各单独的显著性检测方法的效果，在准确率与召回率上均得到了很好的效果。
技术实现思路
本专利技术提出了一种基于加权分配D-S证据理论的显著图融合方法，目的在于克服上述现有技术的不足，得到一种更优的多幅显著图的融合方法。为了实现上述目的，本专利技术的技术方案为：一种基于加权分配D-S证据理论的显著图融合方法，包括以下步骤：第一步，使用要融合的n种(n>1)方法生成n幅初始显著图。第二步，对于每个像素，定义n幅显著图对应的mass函数。定义环境Θ＝{FG,BG本文档来自技高网...

【技术保护点】
一种基于加权分配D‑S证据理论的显著图融合方法，其特征在于，包括如下步骤：第一步，使用要融合的n种(n>1)方法生成n幅初始显著图；第二步，对于每个像素，定义n幅显著图对应的mass函数；定义环境Θ＝{FG,BG}，其中FG表示像素为前景，BG表示像素为背景；由得到的n幅显著图定义mass函数形式如公式(1)，公式(2)所示：mi(FG)＝pi                            (1)mi(BG)＝1‑pi                          (2)其中mi(FG)表示第i种显著性检测方法所对应的mass函数，FG表示判定所要融合的像素为前景，pi表示第i幅显著图在所对应像素处的显著值，BG表示判定所对应像素为背景；第三步，计算各显著图对应的mass函数间的相似系数，列出相似矩阵；相似系数dij的计算如公式(3)所示：dij=ΣAx∩By≠φmi(Ax)mj(By)(Σmi2(Ax))(Σmj2(By))---(3)]]>其中相似系数dij∈[0,1]，Ax，By为焦元，此处取值BG或是FG；由相关系数，得到n个证据所对应的相似矩阵如公式(4)所示：S=1d12...d1nd211...d2n.........dn1dn2...1n×n---(4)]]>第四步，求出各证据间的支持度与可信度；证据Ei的被支持度Sup(mi)计算公式如公式(5)所示：由公式(5)计算出的证据间的支持度，可以得到证据间可信度的计算如公式(6)所示：第五步，以可信度为权重对mass函数加权平均得到加权后的mass函数mave(FG)，表示像素点为前景的基本概率赋值，如公式(7)所示：mave(FG)=Σi=1nCrd(mi)×mi(FG)---(7)]]>另外，在此处我们将加权后的mass函数值作为显著图的显著值，得到一幅初步合成的显著图Sal1，该显著图可以有效检测所有可能的前景区域，但背景噪声较大，将在后面的步骤中进行优化；如公式(8)所示：Sal1＝mave(FG)                       (8)第六步，使用D‑S合成规则将加权平均证据合成n‑1次，得到另一幅融合显著图Sal2；本专利技术中的合成mass函数如公式(9)，公式(10)所示：m(FG)=(mave(FG))nk---(9)]]>k＝(mave(FG))n+(1‑mave(FG))n              (10)由D‑S证据理论可知信任函数Bel(FG)与似然函数Pls(FG)计算公式如公式(11)所示：Bel(FG)＝Pls(FG)＝m(FG)                            (11)此处得到另一幅显著图Sal2如公式(12)所示：Sal2＝Bel(FG)    (12)第七步，加权融合得到D‑S证据理论融合的显著图Sal；将第五步、第六步得到的两幅显著图进行加权融合得到最终的加权分配D‑S证据理论融合的显著图，计算公式如公式(13)所示：Sal＝μ1×Sal1+μ2×Sal2      (13)其中μ1，μ2为合成权重，在本专利技术中设置μ1＝0.35，μ2＝0.65。...

【技术特征摘要】
1.一种基于加权分配D-S证据理论的显著图融合方法，其特征在于，包括如下步骤：第一步，使用要融合的n种(n&g...

【专利技术属性】
技术研发人员：陈炳才，陶鑫，高振国，姚念民，王健，余超，卢志茂，谭国真，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21