基于迭代稀疏表示的图像显著目标区域提取方法及系统技术方案

本发明专利技术提供一种基于迭代稀疏表示的图像显著目标区域提取方法及系统，首先利用多组不同像元数参数的SLIC分割方法对原始图像进行超像素分割，生成一组超像素区域大小不同的分割图像；然后针对每一种尺度的分割结果，以经典的视觉注意检测结果作为初始显著图约束前景和后景样本区域的选择，进而通过稀疏表示过程计算各超像素区域的重构残差作为显著性因子，并结合递归迭代运算对单一尺度下的显著检测结果图进行优化，最后通过多尺度显著图融合获得最终的显著目标与检测结果。本发明专利技术实现对传统方法中存在的单目标显著性评价不一致、图像边缘显著目标检测困难、多显著目标提取不完整等不足的有效改善。

Image salient target region extraction method and system based on iterative sparse representation

The invention provides a method and system for extracting significant target area based on iterative sparse representation. Firstly, the SLIC segmentation method of multiple groups of different pixel number parameters is used to segment the original image by super pixel segmentation to generate a group of segmented images with different size of super pixels. The classical visual attention detection result is used as the initial significant map to restrict the foreground and the selection of the back view sample area, and then the reconstruction residual of each super pixel region is calculated by the sparse representation process as the significant factor, and the recursive iteration operation is used to optimize the significant detection result map under the single scale, and finally through the multiscale. The salient map is fused to achieve the final significant target and detection result. The invention can effectively improve the shortcomings of the traditional methods, such as the inconsistency of the single target significance evaluation, the difficult detection of the obvious edge of the image edge, and the incomplete extraction of the multiple significant targets.

【技术实现步骤摘要】
基于迭代稀疏表示的图像显著目标区域提取方法及系统
本专利技术属于计算机视觉与图像处理领域，涉及一种基于迭代稀疏表示的图像显著目标区域提取技术。
技术介绍
图像视觉显著性分析是计算机视觉、心理学、神经科学等领域十分重视的基础研究项目，是人眼能够从场景中快速、准确捕捉到视觉上最能引起注目的目标区域这一生物性能的技术性体现。通过图像显著性分析，能有效提取人们感兴趣的目标区域，借之可成功实现数据压缩，完成数据的高效管理与利用，其也是众多图像处理问题的基础环节。从1998年人们首次通过计算机实现对图像的自动显著性分析至今，随着其应用前景不断被挖掘，新颖的显著目标自动检测算法层出不穷。从解决方法的角度出发，已有的显著目标提取算法大体可分为两类，数据驱动的自下而上检测方法及任务驱动的自上而下检测方法。前者根据经验认识对输入图像做自动处理与识别，实现传统认知上的显著性分析，常见为非监督模式下的自动提取算法；后者结合实际的目标任务对图像进行针对性的分析，提取出符合特定应用需求的目标对象，常见为监督学习下的识别算法。另一方面，从提取结果状态的角度出发，传统方法又可以划分为基于视觉注意的显著性分析算法和显著目标提取方法，前者生成像素级的显著性预测图，后者则以提取出完整的显著目标区域为最终目标。在自下而上的非监督方法中，由于缺少高层次的生物认知信息，所以通常需要引入一定的假设性约束来完成检测任务。经验分析结果认为，分布于图像中间附近的目标更能吸引视觉注意，反之接近图像边缘的区域，其显著性通常较低；同时对比度大的局部区域也能表现出更高的视觉显著特性，因此，结合图像中心/边界约束和对比度分析的显著性检测方法发展迅速，同时也表现出了十分突出的检测性能。随着研究和应用的深入与扩展，前述方法对假设性条件的依赖性这一不足日渐凸显，具体表现如下：1)当显著性目标靠近图像边缘时，通常无法实现正确检测；2)基于局部对比度分析的方法，提取出的显著目标区域不完整，目标内部显著性评测不统一；3)基于全局对比度分析的方法，当处理同时存在多个显著性目标的问题时，常有漏检情况发生。因此，如何攻克传统方法中的不足，弱化高层认知信息缺失情形下的假设性条件约束依赖性，提升显著目标提取的统一性与完整度，强化算法的适应能力仍旧是需要进一步研究和攻克的技术性难题。
技术实现思路
本专利技术的目的是提供一种自然背景下图像显著目标区域一致性提取方法的技术方案，它能够充分利用图像中前景和背景的综合差异，整合显著目标间的固有联系，弱化显著性分析过程对传统假设性条件约束的依赖性，实现多显著目标的一致性提取，保障单一显著目标内部整体性，和多目标提取的完整性。为达到上述目的，本专利技术提供的技术方案为一种基于迭代稀疏表示的图像显著目标区域提取方法，包括以下步骤：步骤1，数据预处理，设定不同的SLIC超像素数，对原始图像进行多尺度超像素分割，使用基于经典视觉注意的显著性检测，将检测结果设定为初始显著图SAL0；步骤2，提取像素级原始图像的显著性特征，包括颜色特征、位置特征和梯度特征；步骤3，通过计算每种尺度超像素区域内所有原始像素特征均值，获得单一尺度分割下超像素区域特征；步骤4，针对单一尺度的分割结果，通过递归稀疏表示计算显著图，包括以下子步骤：步骤4.1，超像素初始显著性计算，根据SAL0通过均值计算求解各超像素初始显著性水平；步骤4.2，前景样本提取，对超像素初始显著性水平进行降序排列，取前p1％个超像素作为前景样本Df；步骤4.3，背景样本提取，对超像素初始显著性水平进行升序排列，取前p2％个超像素作为备选背景样本Db1，提取接触图像边界的超像素作为备选背景样本Db2，背景样本计算公式如下：Db＝Db1+Db2-Df(1)步骤4.4，双重稀疏表示及稀疏残差计算，分别以前景样本和背景样本作为字典对所有超像素进行稀疏表示并计算重构残差，公式如下：其中i表示超像素编号；Fi是超像素区域的特征向量；λb，λf是正则参数；αbi，αfi分别为前景稀疏表示结果和背景稀疏表示结果；εbi，εfi分别为前景稀释重构残差和背景稀疏重构残差；步骤4.5，显著性因子计算，按照公式(6)对εbi和εfi进行融合并将超像素融合结果赋予其内所有原始图像像素，计算得到显著性因子图SALi，SALi＝εbi/(εfi+σ2)(6)其中σ2是非负调节参数；步骤4.6，递归处理，按照公式(7)计算显著性因子图SALi和初始显著图SAL0之间的相关系数rela，若rela<K，则令SAL0＝SALi并重复执行步骤4全过程；若rela>K，则递归结束，输出当前SALi为该尺度下的显著性检测结果；其中，K是相似性判定阈值，rela＝corr2(A,B)(7)其中corr2()为相关系数计算函数；A,B为待比较矩阵或图像；rela为A和B之间的相关系数，值越大，A和B越相似，反之差异越大；步骤5，多尺度显著性检测结果融合，对各单一尺度下的显著性结果进行等权线性组合，计算最终的显著性检测结果。进一步的，步骤2中所述显著性特征为RGB、Lab、x、y、以及一阶梯度和二阶梯度共计13维特征，表示为{R,G,B,L,a,b,x,y,fx,fy,fxx,fyy,fxy}，其中R,G,B,L,a,b共六维特征为颜色特征，R,G,B和L,a,b分别为RGB和LAB颜色信息；x、y为位置信息，x、y为像素在图像中的行列坐标；fx,fy,fxx,fyy,fxy为梯度特征，分别表示像素在X，Y方向的一阶和二阶差分，计算公式如下：fx＝(f(i+1,j)-f(i-1,j))/2fy＝(f(i,j+1)-f(i,j-1))/2fxx＝(fx(i+1,j)-fx(i-1,j))/2(8)fyy＝(fy(i,j+1)-fy(i,j-1))/2fxy＝(fx(i,j+1)-fx(i,j-1))/2其中，f(i,j)为图像矩阵，i,j为图像像素行列号。本专利技术还相应提供一种基于迭代稀疏表示的图像显著目标区域提取系统，包括以下模块，预处理模块，用于数据预处理，设定不同的SLIC超像素数，对原始图像进行多尺度超像素分割，使用基于经典视觉注意的显著性检测，将检测结果设定为初始显著图SAL0；显著性特征提取模块，用于提取像素级原始图像的显著性特征，包括颜色特征、位置特征和梯度特征；超像素区域特征获取模块，用于通过计算每种尺度超像素区域内所有原始像素特征均值，获得单一尺度分割下超像素区域特征；稀疏表示模块，用于针对单一尺度的分割结果，通过递归稀疏表示计算显著图，包括以下子模块：第一子模块，用于超像素初始显著性计算，根据SAL0通过均值计算求解各超像素初始显著性水平；第二子模块，用于前景样本提取，对超像素初始显著性水平进行降序排列，取前p1％个超像素作为前景样本Df；第三子模块，用于背景样本提取，对超像素初始显著性水平进行升序排列，取前p2％个超像素作为备选背景样本Db1，提取接触图像边界的超像素作为备选背景样本Db2，背景样本计算公式如下：Db＝Db1+Db2-Df(1)第四子模块，用于双重稀疏表示及稀疏残差计算，分别以前景样本和背景样本作为字典对所有超像素进行稀疏表示并计算重构残差，公式如下：其中i表示超像素编号；Fi是超像素区域的本文档来自技高网...

【技术保护点】
基于迭代稀疏表示的图像显著目标区域提取方法，其特征在于，包括如下步骤：步骤1，数据预处理，设定不同的SLIC超像素数，对原始图像进行多尺度超像素分割，使用基于经典视觉注意的显著性检测，将检测结果设定为初始显著图SAL0；步骤2，提取像素级原始图像的显著性特征，包括颜色特征、位置特征和梯度特征；步骤3，通过计算每种尺度超像素区域内所有原始像素特征均值，获得单一尺度分割下超像素区域特征；步骤4，针对单一尺度的分割结果，通过递归稀疏表示计算显著图，包括以下子步骤：步骤4.1，超像素初始显著性计算，根据SAL0通过均值计算求解各超像素初始显著性水平；步骤4.2，前景样本提取，对超像素初始显著性水平进行降序排列，取前p1％个超像素作为前景样本Df；步骤4.3，背景样本提取，对超像素初始显著性水平进行升序排列，取前p2％个超像素作为备选背景样本Db1，提取接触图像边界的超像素作为备选背景样本Db2，背景样本计算公式如下：Db＝Db1+Db2‑Df     (1)步骤4.4，双重稀疏表示及稀疏残差计算，分别以前景样本和背景样本作为字典对所有超像素进行稀疏表示并计算重构残差，公式如下：

【技术特征摘要】
1.基于迭代稀疏表示的图像显著目标区域提取方法，其特征在于，包括如下步骤：步骤1，数据预处理，设定不同的SLIC超像素数，对原始图像进行多尺度超像素分割，使用基于经典视觉注意的显著性检测，将检测结果设定为初始显著图SAL0；步骤2，提取像素级原始图像的显著性特征，包括颜色特征、位置特征和梯度特征；步骤3，通过计算每种尺度超像素区域内所有原始像素特征均值，获得单一尺度分割下超像素区域特征；步骤4，针对单一尺度的分割结果，通过递归稀疏表示计算显著图，包括以下子步骤：步骤4.1，超像素初始显著性计算，根据SAL0通过均值计算求解各超像素初始显著性水平；步骤4.2，前景样本提取，对超像素初始显著性水平进行降序排列，取前p1％个超像素作为前景样本Df；步骤4.3，背景样本提取，对超像素初始显著性水平进行升序排列，取前p2％个超像素作为备选背景样本Db1，提取接触图像边界的超像素作为备选背景样本Db2，背景样本计算公式如下：Db＝Db1+Db2-Df(1)步骤4.4，双重稀疏表示及稀疏残差计算，分别以前景样本和背景样本作为字典对所有超像素进行稀疏表示并计算重构残差，公式如下：其中i表示超像素编号；Fi是超像素区域的特征向量；λb，λf是正则参数；αbi，αfi分别为前景稀疏表示结果和背景稀疏表示结果；εbi，εfi分别为前景稀释重构残差和背景稀疏重构残差；步骤4.5，显著性因子计算，按照公式(6)对εbi和εfi进行融合并将超像素融合结果赋予其内所有原始图像像素，计算得到显著性因子图SALi，SALi＝εbi/(εfi+σ2)(6)其中σ2是非负调节参数；步骤4.6，递归处理，按照公式(7)计算显著性因子图SALi和初始显著图SAL0之间的相关系数rela，若rela<K，则令SAL0＝SALi并重复执行步骤4全过程；若rela>K，则递归结束，输出当前SALi为该尺度下的显著性检测结果；其中，K是相似性判定阈值，rela＝corr2(A,B)(7)其中corr2()为相关系数计算函数；A,B为待比较矩阵或图像；rela为A和B之间的相关系数，值越大，A和B越相似，反之差异越大；步骤5，多尺度显著性检测结果融合，对各单一尺度下的显著性结果进行等权线性组合，计算最终的显著性检测结果。2.如权利要求1所述的基于迭代稀疏表示的图像显著目标区域提取方法，其特征在于，步骤2中所述显著性特征为RGB、Lab、x、y、以及一阶梯度和二阶梯度共计13维特征，表示为{R,G,B,L,a,b,x,y,fx,fy,fxx,fyy,fxy}，其中R,G,B,L,a,b共六维特征为颜色特征，R,G,B和L,a,b分别为RGB和LAB颜色信息；x、y为位置信息，x、y为像素在图像中的行列坐标；fx,fy,fxx,fyy,fxy为梯度特征，分别表示像素在X，Y方向的一阶和二阶差分，计算公式如下：其中，f(i,j)为图像矩阵，i,j为图像像素行列号。3.基于迭代稀疏表示的图像显著目标区域提取系统，其特...

【专利技术属性】
技术研发人员：张永军，王祥，谢勋伟，李彦胜，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42