基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法技术

本发明专利技术公开了一种基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法，主要解决现有方法在复杂图像中不能完整一致地检测出显著目标的问题。其实现方案为：1.对输入图像做过分割，得到超像素集；2.采用处于边界区域的超像素构建背景字典；3.在鲁棒稀疏表示模型中采用两个拉普拉斯正则项分别约束表示系数和重构误差的一致性，并利用背景字典求解模型得到表示系数矩阵和重构误差矩阵；5.联合表示系数矩阵和重构误差矩阵构建显著性因子，得到超像素级显著图；6.将超像素级显著图映射得到像素级显著图。实验表明本发明专利技术具有较好的背景抑制效果，并能够完整地检测图像显著目标，可用于复杂场景图像的显著目标检测。

A salient object detection method based on robust sparse representation and Laplasse regularization

The invention discloses a significant target detection method based on robust sparse representation and Laplasse regularization term, which mainly solves the problem that the existing methods can not detect the salient target completely and uniformly in complex images. In fact, this scheme is: 1. of the input image over segmentation, super pixel set by 2.; in the background of constructing super pixel boundary region 3. in the dictionary; robust sparse representation using two Laplasse regularization constraints respectively consistency coefficient and error model, and the background of the dictionary by solving the model coefficient matrix representation and the error of the reconstruction matrix; 5. joint representation coefficient matrix and reconstruction error matrix construction significant factor, super pixel level saliency map; 6. super pixel saliency map mapping pixel saliency map. Experiments show that the proposed method has good background suppression effect, and can detect the salient target of image completely, and can be used for salient object detection in complex scene images.

【技术实现步骤摘要】
基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法
本专利技术涉及图像处理领域，具体是一种显著目标检测方法，可用于复杂背景图像的显著目标检测。技术背景显著目标检测，旨在检测场景中与周围区域具有显著差别、且吸引人眼注意的目标，并将该显著目标完整一致地与背景分离。作为一种重要的图像处理方式，显著目标检测已广泛应用于图像分割、图像恢复、目标识别等图像处理领域。基于稀疏表示的图像显著目标检测是显著目标检测的一类重要方法。该类方法首先将输入图像过分割成若干个图像块或超像素；然后，构建一个过完备字典，并对图像块或超像素进行稀疏重构；最后，根据重构系数或重构误差计算图像块或超像素的显著值。早期的基于稀疏表示的显著目标检测方法如“Y.Li,Y.Zhou,L.Xu,X.Yang,Incrementalsparsesaliencydetection,in:InternationalConferenceonImageProcessing,2009,pp.3093–3096.”“B.Han,H.Zhu,Y.Ding,Bottom-upsaliencybasedonweightedsparsecodingresidual,in:InternationalConferenceonMultimedea,2011,pp.1117–1120.”是将待测试图像块的周围邻域块作为该图像块的字典，利用此字典稀疏重构该图像块。因此，此类方法通常对显著目标边界赋予较高的显著值。近年来，为了解决上述问题，产生了一些有效的稀疏表示方法，例如“H.Lu,X.Li,L.Zhang,R.Xiang,Denseandsparsereconstructionerrorbasedsaliencydescriptor,IEEETransactionsonImageProcessing25(4)(2016)1592–1603.”该方法基于边界先验，利用图像边界区域构建背景字典，利用此背景字典对图像超像素进行稀疏表示，得到重构误差，然后利用重构误差定义显著性因子得到最终显著值。然而，此类方法只是独立的计算了各个图像超像素的显著值，没有考虑图像的空间局部一致性和空间特征一致性，因此，显著目标检测结果的一致性较差。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提出一种基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法，以提高在复杂场景图像中对显著目标的检测一致性。实现本专利技术的关键技术是采用鲁棒稀疏表示方法，将图像中的显著目标看成稀疏的“野点”：首先对图像过分割得到若干超像素，利用图像边界构建背景字典，采用此背景字典对输入图像进行鲁棒稀疏表示。同时，考虑空间局部一致性和特征空间一致性，采用拉普拉斯正则项约束待测试超像素与其空间邻域内超像素的表示系数和重构误差的相似性。其具体实现步骤包括如下：(1)利用简单线性迭代聚类算法SLIC将输入图像过分割为N个超像素，选取处于图像边界区域的超像素构建背景字典D＝[d1,...djK,dK]∈Rm×K，其中dj为第j个字典原子，j＝1,...,K，K为字典原子个数，Rm为m维特征向量；(2)采用鲁棒稀疏表示方法，构建如下显著目标检测模型：s.t.X＝DZ+E其中，X为输入图像，D为背景字典，E为重构误差矩阵，Z为表示系数矩阵，||Z||1为矩阵Z的l1范数，||E||2,1为矩阵E的l2,1范数，拉普拉斯矩阵L定义为L＝C-W，矩阵W∈RN×N为关联矩阵，构建方法为：Wi,j＝ωij，权重ωij表示第i个超像素与其邻域内第j个超像素之间的相似性，对角矩阵C∈RN×N定义为：zi和ei分别为表示系数矩阵Z和重构误差矩阵E的第i列，λ1为平衡因子，实验设置为0.1，λ2和λ3为两个权衡参数，实验设置为0.01；(3)利用交替方向乘子算法ADMM和SpaRSA算法联合求解上述模型，得到背景字典D、最优的超像素的重构误差矩阵E*和表示系数矩阵Z*；(4)构建超像素级显著性因子：(4a)采用每个超像素的重构误差的能量构建基于重构误差的显著性因子SalE，即：其中，E*(:,i)为第i个超像素si对应的重构误差，i＝1,...,N，||E*(:,i)||2为向量E*(:,i)的l2范数，E*表示最优的重构误差矩阵，σE为高斯核尺度参数，实验设置为σE＝4；(4b)采用每个超像素的表示系数的稀疏度和能量共同构建显著性因子SalZ，即：其中，Z*(:,i)为第i个超像素si对应的表示系数；||Z*(:,i)||0和||Z*(:,i)||2分别为向量Z*(:,i)的l0范数和l2范数，其分别代表第i个超像素si的表示系数稀疏度和能量，Z*表示最优的表示系数矩阵；(4c)根据由重构误差和表示系数得到的显著性因子SalE和SalZ，构建最终的显著性因子Sal，即：Sal(si)＝SalE(si)α×SalZ(si)1-α，其中，α为权衡因子，实验设置为0.8；每个显著性因子的值对应于每个超像素的显著值；(5)将每个超像素的显著值赋给其区域内的每个像素，得到最终输出的像素级显著图。本专利技术具有如下效果：1)本专利技术将鲁棒稀疏表示模型应用于显著目标检测中，将显著目标看成稀疏的“野点”，从而，将复杂的显著目标检测问题转化为简单的稀疏追踪问题；2)本专利技术考虑空间局部一致性和特征空间一致性，采用拉普拉斯正则项分别约束待测试超像素与其空间邻域内超像素的表示系数和重构误差的相似性，并利用重构误差和表示系数共同构建显著性因子，提高了对背景的抑制效果，并能够实现完整一致地检测显著目标。附图说明图1为本专利技术的实现流程框图。图2为背景区域超像素和显著目标区域超像素对应的表示系数稀疏度和幅度图；图3为本专利技术与现有三种检测方法在MSRA10K数据库下进行显著目标检测实验的结果图；图4为本专利技术与现有三种检测方法进行显著目标检测的部分实验结果比较图。具体实施方式以下结合附图对本专利技术的实施例和效果做进一步详细的描述。参照图1，本专利技术的实现步骤如下：步骤1，对待分割图像进行过分割。(1a)输入待分割图像，并利用简单线性迭代聚类SLIC算法将该待分割输入图像过分割为N个超像素：S＝[s1,si...,sN]，si为第i个超像素，i＝1,...,N；(1b)对于每个超像素si，在RGB、HSV和CIELab三种颜色特征空间中提取9维的颜色特征向量xi∈R9。步骤2，构建背景字典.基于边界先验信息，处于边界区域的超像素更可能为背景区域超像素，因此本专利技术利用图像边界区域的超像素构建背景字典D＝[d1,...djK,dK]∈Rm×K，其中dj为第j个字典原子，j＝1,...,K，K为字典原子个数，Rm为m维特征向量。步骤3，构建显著目标检测模型。(3a)采用鲁棒稀疏表示模型，将输入图像的显著目标看成稀疏的“野点”，从而将输入图像分解成两部分，一部分是由背景字典稀疏表示的区域，该区域通常对应背景区域；另一部分是采用稀疏误差表示的区域，稀疏误差大的区域通常对应显著目标；因此将显著目标检测问题转换为稀疏追踪问题。(3b)利用鲁棒稀疏表示模型将输入图像稀疏表示为：其中，X为输入图像，D为背景字典，E为重构误差矩阵，Z为表示系数矩阵，||Z||1为矩阵Z的l1范数，||E||2,1为矩阵E的l本文档来自技高网...

【技术保护点】
一种基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法，包括：(1)利用简单线性迭代聚类算法SLIC将输入图像过分割为N个超像素，选取处于图像边界区域的超像素构建背景字典D＝[d1,...djK,dK]∈R

【技术特征摘要】
1.一种基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法，包括：(1)利用简单线性迭代聚类算法SLIC将输入图像过分割为N个超像素，选取处于图像边界区域的超像素构建背景字典D＝[d1,...djK,dK]∈Rm×K，其中dj为第j个字典原子，j＝1,...,K，K为字典原子个数，Rm为m维特征向量；(2)采用鲁棒稀疏表示方法，构建如下显著目标检测模型：s.t.X＝DZ+E其中，X为输入图像，D为背景字典，E为重构误差矩阵，Z为表示系数矩阵，||Z||1为矩阵Z的l1范数，||E||2,1为矩阵E的l2,1范数，拉普拉斯矩阵L定义为L＝C-W，矩阵W∈RN×N为关联矩阵，构建方法为：Wi,j＝ωij，权重ωij表示第i个超像素与其邻域内第j个超像素之间的相似性，对角矩阵C∈RN×N定义为：zi和ei分别为表示系数矩阵Z和重构误差矩阵E的第i列，λ1为平衡因子，实验设置为0.1，λ2和λ3为两个权衡参数，实验设置为0.01；(3)利用交替方向乘子算法ADMM和SpaRSA算法联合求解上述模型，得到最优的超像素的重构误差矩阵E*和表示系数矩阵Z*；(4)构建超像素级显著性因子：(4a)采用每个超像素的重构误差的能量构建基于重构误差的显著性因子SalE，即：其中，E*(:,i)为第i个超像素si对应的重构误差，i＝1,...,N，||E*(:,i)||2为向量E*(:,i)的l2范数，E*表示最优的重构误差矩阵，σE为高斯核尺度参数，实验设置为σE＝4；(4b)采用每个超像素的表示系数的稀疏度和能量共同构建显著性因子SalZ，即：其中，Z*(:,i)为第i个超像素si对应的表示系数；||Z*(:,i)||0和||Z*(:,i)||2分别为向量Z*(:,i)的l0范数和l2范数，其分别代表第i个超像素si的表示系数稀疏度和能量，Z*表示最优的表示系数矩阵，σZ为高斯核尺度参数，实验设置为4。；(4c)根据由重构误差和表示系数得到的显著性因子SalE和SalZ，构建最终的显著性因子Sal，即：Sal(si)＝SalE(si)α×SalZ(si)1-α，其中，α为权衡因子，实验设置为0.8；每个显著性因子的值对应于每个超像素的显著值；(5)将每个超像素的显著值赋给其区域内的每个像素，得到最终输出的像素级显...

【专利技术属性】
技术研发人员：张强，刘毅，关永强，霍臻，王龙，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61