基于图像对象性语义检测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图像对象性语义检测的显著目标检测方法，包括以下步骤：S1：随机找出多张图像及其显著目标标注结果图组成样本数据库；S2：在每个图像范围内随机密集采样x1、x2、y1和y2，生成检测窗口w(x1,y1,x2,y2)；S3：在检测窗口w下计算图像的对象性边缘密度特征BF、图像的对象性凸包特征CF和图像的对象性亮度对比特征LF；S4：采用贝叶斯框架统计检测窗口下S3中各特征值的概率密度，并计算出各特征的条件概率；S5：利用朴素贝叶斯模型融合三种图像特征建立显著目标识别模型；S6：采用上述方式进行图像的显著目标检测：输入待检测图像I’，分别计算每个检测窗口下的特征值BF、CF和LF,利用S5中的朴素贝叶斯模型进行特征融合，采用非极大值抑制选取最佳窗口标出显著目标的检测结果。

A significant target detection method based on image object semantic detection

The invention discloses a method for detecting the salient object detection based on semantic object, which comprises the following steps: S1: random multiple images and find significant target results the composition of the sample database; S2: in each image range of random sampling x1, X2, Y1 - and Y2 (x1, w generation detection window Y1, X2, Y2); S3: the object of the brightness contrast characteristics of LF to calculate the image object edge density characteristics of BF, the image of object and image characteristics of CF convex hull in the detection window under W; S4: the probability density based on Bayesian framework of statistical detection window of each feature in S3 value, and calculate the characteristic conditional probability; S5: using Naive Bayesian model integration of three kinds of image features a significant target recognition model; S6: significant target detection using the above method for image input image to be detected I, respectively The eigenvalues BF, CF and LF under each detection window are calculated. The naive Bayes model in S5 is used for feature fusion. Non maxima suppression is used to select the best window to mark the detection results of salient targets.

【技术实现步骤摘要】
基于图像对象性语义检测的显著目标检测方法
本专利技术涉及图像检测
，尤其涉及基于图像对象性语义检测的显著目标检测方法。
技术介绍
图像的显著性目标检测是指从图像中提取视觉器官感兴趣的目标对象，显著目标的识别对于图像的检索、分类和检测以及目标跟踪等方面有重要的研究意义。目前，大部分的视觉显著性目标检测主要是从图像全局特征出发，提取其特征显著差异性作为图像的显著图，缺乏对于图像对象语义的使用；还有一部分算法采用计算图像中层语义特征如SIFT，BOW等方法，增大检测过程中的计算量；同时，作为显著目标检测结果的显著图无法凸出最为引人注意的目标,不能明确显著目标的具体位置。
技术实现思路
根据现有技术存在的问题，本专利技术公开了基于图像对象性语义检测的显著目标检测方法，此方法从图像的边缘显著性、亮度显著性及凸包对象显著性出发，提出检测窗口下图像对象性特征的定义及计算方法，并利用贝叶斯框架来实现显著目标对象的明确位置的检测，具体方案如下：S1：随机找出多张图像及其显著目标标注结果图组成样本数据库；S2：在每个图像范围内随机密集采样x1、x2、y1和y2，生成检测窗口w(x1,y1,x2,y2)本文档来自技高网...

【技术保护点】
一种基于图像对象性语义检测的显著目标检测方法，其特征在于包括以下步骤：S1：随机找出多张图像及其显著目标标注结果图组成样本数据库；S2：在每个图像范围内随机密集采样x1、x2、y1和y2，生成检测窗口w(x1,y1,x2,y2)；S3：在检测窗口w下计算图像的对象性边缘密度特征BF、图像的对象性凸包特征CF和图像的对象性亮度对比特征LF；S4：采用贝叶斯框架统计检测窗口下S3中各特征值的概率密度，并计算出各特征的条件概率；S5：利用朴素贝叶斯模型融合三种图像特征建立显著目标识别模型；S6：采用上述方式进行图像的显著目标检测：输入待检测图像I’，分别计算每个检测窗口下的特征值BF、CF和LF,利...

【技术特征摘要】
1.一种基于图像对象性语义检测的显著目标检测方法，其特征在于包括以下步骤：S1：随机找出多张图像及其显著目标标注结果图组成样本数据库；S2：在每个图像范围内随机密集采样x1、x2、y1和y2，生成检测窗口w(x1,y1,x2,y2)；S3：在检测窗口w下计算图像的对象性边缘密度特征BF、图像的对象性凸包特征CF和图像的对象性亮度对比特征LF；S4：采用贝叶斯框架统计检测窗口下S3中各特征值的概率密度，并计算出各特征的条件概率；S5：利用朴素贝叶斯模型融合三种图像特征建立显著目标识别模型；S6：采用上述方式进行图像的显著目标检测：输入待检测图像I’，分别计算每个检测窗口下的特征值BF、CF和LF,利用S5中的朴素贝叶斯模型进行特征融合，采用非极大值抑制选取最佳窗口标出显著目标的检测结果。2.根据权利要求1所述的基于图像对象性语义检测的显著目标检测方法，其特征还在于：所述计算图像的对象性边缘密度特征BF采用如下方式：把已知图像转变为相应的灰度图，利用canny边缘检测得到二值化边缘图像，填充边缘轮廓缝隙得到图像Ic，当图像的像素间隔大于1认为是缝隙；在检测窗口w(W，H)下，定义图像的连续边缘密度为：其中Er表示环状窗口内的连续边缘，Sr为矩形环的面积，Rw和Rh表示设定环状窗口的宽度和高度，计算公式如下：Rw＝W/4(2)Rh＝H/4。(3)3.根据权利要求1所述的基于图像对象性语义检测的显著目标检测方法，其特征还在于：所述图像的对象性凸包特征CF采用如下方式计算：采用聚类方法得到图像Im，求取图像的邻域图像In，再利用自适应阈值及角度的曲率尺度空间角点提取算法求取邻域图像In的CSS角点集合c1；邻域图像In采用如下方式计算：In＝gk*Im-Im(4)其中gk为图像平均卷积算子；设定图像边缘阈值，去掉图像边缘角点c2，将图像显著对象点的集合最终定义为：C＝{c1-c2}，然后利用Graham算法求取其凸包C及并计算凸包面积Sc。定义在窗口w下，凸包对象特征CF为：4.根据权利要求1所述的基于图像对象性语义检测的显著目标检测方法，其特征还在于：所述图...

【专利技术属性】
技术研发人员：于纯妍，张维石，宋梅萍，王春阳，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁,21