一种改进的基于超像素的图像显著性检测方法技术

本发明专利技术公开了一种改进的基于超像素的图像显著性检测方法，该方法首先采用简单线性迭代聚类的超像素分割算法将原始图像分割为具有颜色和纹理一致性的超像素；第二，针对图像超像素分割结果，基于稀疏表示理论计算原始图像初始显著图；第三，针对图像超像素分割结果，基于中心‑边缘思想计算原始图像中心‑边缘权重图；第四，针对图像超像素分割结果，基于归一化割理论对其进行聚类，得到若干聚类区域；第五，基于上述结果，计算原始图像最终显著图。本发明专利技术与传统的基于超像素的图像显著性检测方法相比，解决了显著性对象边界模糊、内部常被抑制等问题，能够更加均匀地突出显著对象，有效地抑制背景，获得更好的检测结果。

【技术实现步骤摘要】
一种改进的基于超像素的图像显著性检测方法
本专利技术涉及一种图像视觉显著性检测方法，特别是涉及一种改进的基于超像素的图像显著性检测方法，属于计算机视觉

技术介绍
随着信息技术的不断发展，人们拥有大量的数据资源。其中，图像资源因其直观性，出现了前所未有的增长速度，但是随之而来的信息冗余问题也成为了图像处理的一大难题。视觉显著性是人类视觉中非常重要的一部分，它通过过滤人眼所及之处的冗余信息，突出人们最感兴趣(显著性)的目标，从而减少后续信息的处理量。目前，图像显著性检测在图像视频压缩、图像检索、目标检测和识别等领域有着广泛的应用。根据图像所要检测的目标是否基于任务驱动，可以将显著性检测分为两大类：无监督的自下而上(bottom-up)方法和有监督的自上而下(top-down)方法。近几年的研究更加倾向于不需要基于任何任务，由数据本身驱动的自下而上的显著性检测方法。在自下而上方法的研究领域中，有很多经典的方法相继被提出，如早先的Itti算法，GBVS算法，SR算法，基于稀疏表示的算法等。其中，Itti、GBVS和SR这些经典算法实现起来比较容易，也能够产生较为清晰的显著性图，但是他们对诸如图像的边缘或噪声等高频部分，表现出了很大的敏感性，所以显著图像总是更倾向于突显出目标边界轮廓，而目标的内部往往被抑制。基于稀疏表示的算法可以通过重构误差来定义图像显著性，但是这种方法不可避免的丢失了图像内在的一部分相关的信息，从而使检测出的显著目标不准确。
技术实现思路
本专利技术所要解决的技术问题是：提供一种改进的基于超像素的图像显著性检测方法，能够均匀突出显著对象，清晰保留显著区域的边缘信息，并较好的抑制背景的图像视觉显著性检测方法。本专利技术为解决上述技术问题采用以下技术方案：一种改进的基于超像素的图像显著性检测方法，包括如下步骤：步骤1，利用简单线性迭代聚类方法对原始图像进行超像素分割，得到超像素分割结果；步骤2，针对超像素分割结果，基于稀疏编码模型计算超像素分割结果的重构误差，根据重构误差得到原始图像的初始显著图；步骤3，针对超像素分割结果，基于中心-边缘思想对超像素分割结果进行权重赋值，得到原始图像的中心-边缘权重图；步骤4，针对超像素分割结果，利用归一化割方法进行聚类，得到超像素归一化聚类结果；步骤5，将步骤2得到的初始显著图与步骤3得到的中心-边缘权重图，按比例1:1进行加权融合，针对步骤4得到的超像素归一化聚类结果，对每一个聚类区域，计算该区域包含的所有超像素融合结果的平均值，从而得到原始图像的显著图。作为本专利技术的一种优选方案，步骤2所述超像素分割结果的重构误差计算公式为：其中，ei表示第i个超像素yi的重构误差，D为Y＝[y1,y2,…,yN]的稀疏表示的重构字典，N为超像素的个数，xi为yi在字典D下的稀疏编码系数。作为本专利技术的一种优选方案，所述步骤3的具体过程为：计算每一个超像素距离原始图像中心位置的距离，用1减去归一化后的距离值，将得到的值作为该超像素的权重，得到原始图像的中心-边缘权重图。作为本专利技术的一种优选方案，所述计算每一个超像素距离原始图像中心位置的距离的具体做法为：将每一个超像素中的所有像素坐标的均值作为该超像素的空间位置，计算该空间位置到原始图像中心位置的欧氏距离，得到每个超像素距离原始图像中心位置的距离。作为本专利技术的一种优选方案，步骤5所述加权融合的计算公式为：其中，di表示第i个超像素距离原始图像中心位置的距离值归一化后的值，ei表示第i个超像素yi的重构误差，表示第i个超像素加权融合后的结果。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1、本专利技术深入挖掘超像素、稀疏表示等方法和理论在图像显著性检测中的应用，解决了显著性对象边界模糊、内部常被抑制等问题，能够更加均匀地突出显著对象，有效地抑制背景，获得更好的检测结果。2、本专利技术采用简单线性迭代聚类方法进行超像素分割，相比较一般的以像素或者图像块为处理单位的分割方法，在时间和效率上有较大优势，所分割的超像素块在颜色和纹理上具有同质性，更容易保留图像的边缘信息。附图说明图1是本专利技术改进的基于超像素的图像显著性检测方法的流程图。图2是本专利技术实施例的检测结果图。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。如图1所示，本专利技术改进的基于超像素的图像显著性检测方法的步骤如下：1、输入原始图像I，对其进行超像素分割得到图像I1。2、对图像I1进行稀疏重构，得到初始显著性图像I2。3、对图像I1进行中心-边缘权重赋值，得到中心-边缘权重图像I3。4、对图像I1归一化割聚类，得到聚类结果图像I4。5、将图像I2与图像I3加权融合，并依据I4平均加权融合的结果，最终得到原始图像显著图I5。详细步骤如下：1、基于简单线性迭代聚类的图像超像素分割本专利技术对输入原始图像首先采用简单线性迭代聚类(SimpleLinearIterativeClustering，SLIC)方法进行超像素分割。该方法相比较一般的以像素或者图像块为处理单位的分割方法，在时间和效率上有较大优势，所分割的超像素块在颜色和纹理上具有同质性，更容易保留图像的边缘信息。该算法具体过程如下：a.输入原始图像I，初始化种子点(聚类中心)。按照设定的超像素块个数，在本专利技术中，种子点的个数N的取值为200，在图像内均匀的分配种子点。b.在种子点的t×t邻域内，依据像素点的梯度值，将种子点移动到梯度最小的地方。在本专利技术中，t取值为3。c.在每个种子点邻域内，为每个像素点分配类标签。d.距离度量。包括颜色距离和空间距离。每个像素用五维的特性向量[l,a,b,x,y]表示。[l,a,b]为像素在CIElab颜色空间的颜色特征，[x,y]为像素的空间坐标距离，分别计算如下：式中，j、k分别表示图像的第j、k个像素，j＝1,…,M；k＝1,…,M；j≠k，dc代表颜色距离，ds代表空间距离，Ns是类内最大空间距离，定义为Ns＝S＝sqrt(M/N)，M为图像像素总个数，适用于每个聚类。最大的颜色距离Nc既随图片不同而不同，也随聚类不同而不同，所以我们取一个固定常数m代替，m的取值范围是[1,40]，在本专利技术中的取值为40。由此，可得最终的距离度量D'：由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心。e.迭代c、d两步优化。理论上上述步骤不断迭代直到误差收敛，实践发现10次迭代对绝大部分图片都可以得到较理想效果，所以本专利技术迭代次数取10。f.增强连通性。经过上述迭代优化可能出现以下瑕疵：出现多连通情况、超像素尺寸过小，单个超像素被切割成多个不连续超像素等，这些情况可以通过增强连通性解决，保证每个像素点隶属于唯一一个超像素块。由上述步骤可以得出输入图像I的超像素分割图像I1。2、超像素稀疏表示原始图像初始显著图计算本专利技术采用了模拟人类神经细胞的标准稀疏编码模型，此模型可以突出图像中的显著部分(该部分具有独特性、稀少性和不可预测性)，基于该模型计算得到的超像素重构误差越大，则该超像素块被认为越显著，最终这种方本文档来自技高网...

【技术保护点】
一种改进的基于超像素的图像显著性检测方法，其特征在于，包括如下步骤：步骤1，利用简单线性迭代聚类方法对原始图像进行超像素分割，得到超像素分割结果；步骤2，针对超像素分割结果，基于稀疏编码模型计算超像素分割结果的重构误差，根据重构误差得到原始图像的初始显著图；步骤3，针对超像素分割结果，基于中心‑边缘思想对超像素分割结果进行权重赋值，得到原始图像的中心‑边缘权重图；步骤4，针对超像素分割结果，利用归一化割方法进行聚类，得到超像素归一化聚类结果；步骤5，将步骤2得到的初始显著图与步骤3得到的中心‑边缘权重图，按比例1:1进行加权融合，针对步骤4得到的超像素归一化聚类结果，对每一个聚类区域，计算该区域包含的所有超像素融合结果的平均值，从而得到原始图像的显著图。

【技术特征摘要】
1.一种改进的基于超像素的图像显著性检测方法，其特征在于，包括如下步骤：步骤1，利用简单线性迭代聚类方法对原始图像进行超像素分割，得到超像素分割结果；步骤2，针对超像素分割结果，基于稀疏编码模型计算超像素分割结果的重构误差，根据重构误差得到原始图像的初始显著图；步骤3，针对超像素分割结果，基于中心-边缘思想对超像素分割结果进行权重赋值，得到原始图像的中心-边缘权重图；步骤4，针对超像素分割结果，利用归一化割方法进行聚类，得到超像素归一化聚类结果；步骤5，将步骤2得到的初始显著图与步骤3得到的中心-边缘权重图，按比例1:1进行加权融合，针对步骤4得到的超像素归一化聚类结果，对每一个聚类区域，计算该区域包含的所有超像素融合结果的平均值，从而得到原始图像的显著图。2.根据权利要求1所述改进的基于超像素的图像显著性检测方法，其特征在于，步骤2所述超像素分割结果的重构误差计算公式为：其中，ei表示第i个超像素yi的重构误差，D为Y＝[y1,y2,...

【专利技术属性】
技术研发人员：王鑫，周韵，熊星南，张春燕，石爱业，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32