一种基于吸附模型的图像显著性检测方法技术

本发明专利技术公开了一种基于吸附模型的图像显著性检测方法，包括下述步骤：首先来确定候选的显著性区域和背景区域，并通过形状滤波和边界滤除来优化候选的显著性区域和背景区域候选显著性区域计算；然后通过基于漏电的积分放电模型的胜者得全网络来确定视觉场景中的关注焦点；使用基于关注焦点和背景区域的吸附过程来判断候选的显著性区域是否是显著的；最后通过度量显著性区域和背景区域的颜色差异和空间距离来度量显著性区域中每个像素点的显著性值，并通过显著性传播和高斯滤波优化显著性图。本发明专利技术选用ASD数据集进行测试，能够保证显著图结果符合要求，在其它各类自然图像上也均能得到准确度高的显著图结果。

【技术实现步骤摘要】
一种基于吸附模型的图像显著性检测方法
本专利技术属于图像处理领域，特别涉及自然彩色图像的显著性检测方法。
技术介绍
随着移动互联网的高速发展，图像，语音以及视频等信息每天的产量是数以万计。面对这些海量数据信息的日益增长，利用计算机系统来处理和分析显得尤为重要。针对图像及视频这类信息的处理，如何快速准确地从大量的视觉信息资源中找到并提取出与任务相关的那部分信息，也即视觉显著性检测问题，一直是计算机视觉和信息处理研究中的热点之一。图像显著性检测就是检测出视觉场景中含有最多信息量，最能引起人眼关注的区域或目标。最近几年，图像显著性检测在计算机视觉中占据越来越重要的地位，很多数字图像处理问题中都会使用到显著性检测。研究表明视觉显著性检测与人类的视觉关注系统有很大的关系。视觉关注系统认为，当人们观看场景时，人眼会先聚焦于关注焦点，接着会进一步对关注焦点周围的信息进行分析和处理，并得到更多有关显著性区域或目标的信息，然后视觉关注系统会继续搜索视觉场景，来判断是否还有其他的关注焦点。图像的显著性区域指的是人类视觉系统最关注的图像区域。视觉显著性跟人类视觉系统如何感知和处理视觉刺激紧密相关。人类视觉本文档来自技高网...

【技术保护点】
一种基于吸附模型的图像显著性检测方法，其特征在于，包括如下步骤：S1、候选显著性区域计算；使用模糊C均值聚类算法FCM分别对CIELab和CIEHSV颜色空间上的L,a,b,H,S颜色通道进行聚类，然后计算各个颜色通道上各个聚类的聚集度；根据聚集度的值，将各个聚类分为候选的显著性区域所在的聚类和背景区域所在的聚类；S2、确定关注焦点；计算候选的显著性区域中各区域的聚集度，颜色差异度，关注度以及中心偏移度，利用聚集度，颜色差异度，关注度以及中心偏移度来度量区域的显著性，然后根据各个候选的显著性区域的显著性构建一幅显著性图，将此显著性图作为基于漏电的积分放电模型的胜者得全网络的输入，多次运用胜者得...

【技术特征摘要】
1.一种基于吸附模型的图像显著性检测方法，其特征在于，包括如下步骤：S1、候选显著性区域计算；使用模糊C均值聚类算法FCM分别对CIELab和CIEHSV颜色空间上的L,a,b,H,S颜色通道进行聚类，然后计算各个颜色通道上各个聚类的聚集度；根据聚集度的值，将各个聚类分为候选的显著性区域所在的聚类和背景区域所在的聚类；S2、确定关注焦点；计算候选的显著性区域中各区域的聚集度，颜色差异度，关注度以及中心偏移度，利用聚集度，颜色差异度，关注度以及中心偏移度来度量区域的显著性，然后根据各个候选的显著性区域的显著性构建一幅显著性图，将此显著性图作为基于漏电的积分放电模型的胜者得全网络的输入，多次运用胜者得全网络，得到多个获胜点；对获胜点所在的候选显著性区域进行投票来确定人眼的关注焦点；S3、显著性区域吸附过程；对于候选的显著性区域中的每一个区域，计算背景区域和关注焦点分别对其的吸附力，通过判断两者对其吸附力的大小来确定区域是否是显著性的；如果视觉场景中有多个关注焦点，则进行多次吸附过程，最后将多次的吸附结果合并起来；S4、显著性度量；通过背景区域和显著性区域之间的特征差异来度量每一个像素点显著性，并通过显著性传播和高斯滤波来进一步优化，得到最终的显著性图。2.根据权利要求1所述的一种基于吸附模型的图像显著性检测方法，其特征在于，步骤S1中候选显著性区域计算具体步骤为：S1.1、对原RGB图像转换到Lab和HSV颜色空间，得到L，a，b，H，S五个颜色通道，第i个通道标记为CFi；S1.2、利用模糊C均值聚类算法对步骤S1.1的L，a，b，H，S五个颜色通道进行聚类，设置分类个数Nc，共得到5×Nc个聚类，第i个颜色通道上的第j个聚类标记为Clusterij；S1.3、计算步骤S1.2中每个聚类的聚集度如公式(1)所示，式子中，|Clusterij|表示聚类Clusterij中像素点的个数，表示聚类Clusterij中像素点p的坐标，表示聚类Clusterij的聚类中心坐标；S1.4、将每个颜色通道上的聚类Clusterij按照其聚集度由小到大进行排序，然后取每个颜色通道中前个聚类作为候选的显著性区域所在的聚类，得到一个聚类集合{CS}，其中表示大于的最小整数，其他的聚类被选择作为背景区域所在的聚类集合{BS}；S1.5、利用形状滤波和边界滤除来优化步骤S1.4得到的聚类集合{CS}；所述步骤S1.5包含以下步骤：S1.5.1、对每个颜色通道上的每个聚类Clusterij进行快速傅里叶变换得到F(Clusterij)；S1.5.2、使用静态小波变换来分解对数振幅谱log(|F(CSk)|)，进行完两级分解后，得到三个细节子图和一个近似子图；使用中值滤波对每一级的细节子图进行滤波，然后通过阈值分割，滤除每一级的细节子图中的噪音信号；重建去噪的细节图与近似图得到去了噪声的图像As(CSk)；S1.5.3、利用公式(2)，将去噪后的图像As(CSk)和原始的相位频谱p(CSk)结合在一起求傅里叶变换的逆变换可以得到去噪后的聚类cfa(CSk)：式子中，CSk表示第k个聚类集合；S1.5.4、利用大津算法二值化方法对cfa(CSk)进行二值化得到bcfa(CSk)，滤除CSk中与bcfa(CSk)交集为零的区域，得到优化后的聚类集合{CS}；S1.5.5、对于聚类中每一个联通区域，求其边界像素点，当其边界像素点在整个区域中所占的比重大于一定的值时，这样的区域被认为是背景噪音，如公式(3)所示：式中，Bnd表示图像边界像素点的集合，p是区域的像素点，R是待判断的区域，|·|表示满足条件的像素点的个数；S1.5.6、对于聚类集合中每个聚类的联通区域R，根据步骤S1.5.5计算的BC值，当如果BC(R)大于2％时，R被认为是背景噪音，将其从聚类集合{CS}中删除，并将其添加到背景聚类集合{BS}中，这样得到最终的候选显著性区域集合{CSRj(1≤j≤Ns)}和背景区域集合{BGRj(1≤j≤Nb)}，Ns和Nb表示对应的个数。3.根据权利要求1所述的一种基于吸附模型的图像显著性检测方法，其特征在于，步骤S2中确定关注焦点具体如下：S2.1、计算每个候选的显著性区域CSRj与步骤S1得到的背景区域集合{BGRj(1≤j≤Nb)}之间的颜色差异性Differences(CSRj)，如公式(4)所示：式中，Color(BGRi)和Color(CSRj)分别表示BGRi和CSRj区域内像素点颜色特征的均值，Nb表示背景区域的个数；S2.2、计算候选的显著性区CSRj的关注度；所述步骤S2.2包括以下步骤：S2.2.1、利用公式(5)计算得到图像的像素级的关注度Fp(q)；S2.2.2、根据上述步骤S1得到的像素级的关注度计算得到图像区域级别的关注度Fr(Ri)，得到区域关注图FM，如公式(6)所示式中，Ri表示区域，Bi表示区域Ri中的mi个边界像素；Ei表示区域Ri中的ni个内部边界像素点；▽g(p)表示像素点p的梯度值；S2.2.3、取出区域级关注图FM中的靠近图像边界的区域，利用公式(3)计算其边界比例，如果得到的边界比例大于2％，且其本身关注度小于整幅图像的均值关注度，认为其是关注图中的背景区域BFR，不属于背景区域BFR的区域被标记为前景区域FR；S2.2.4、对上述步骤S2.2.3的关注图利用公式(7)进行优化得到优化后的关注图FMO；式中，|BFRj|表示背景区域BFRj中像素点的个数，Color(FRi),Color(BFRj)分别表示前景区域FR和背景区域BFR的颜色特...

【专利技术属性】
技术研发人员：沃焱，刘红成，王倩，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44