一种基于显著性区域检测模型背景虚化方法技术

本发明专利技术公开了一种基于显著性区域检测模型背景虚化方法，包括以下步骤：获取原始图像，构建显著性区域检测模型卷积网络得到原始图像的显著性图，将获得的显著性图像放入全连接条件随机场进行训练获得优化后的显著性图像，再将优化后的显著性图进行二值化或分割处理得到01矩阵，得到前景索引矩阵和背景索引矩阵；利用距离加权平均算法实现原始图像的全局模糊；最后将前景原图和模糊背景图相拼接，生成虚化背景图。本发明专利技术不仅能准确的检测出完整的显著性区域，且显著性边界较为清晰，从而在虚化背景的时候能够保留前景图的特征，不损坏前景图图像内容。

【技术实现步骤摘要】
一种基于显著性区域检测模型背景虚化方法
本专利技术涉及数字图像处理
，特别涉及一种基于显著性区域检测模型背景虚化方法。
技术介绍
图像背景虚化是图像渲染、美化、增强等任务中很常见的处理过程，它能够很有效地突出目标物体和淡化背景信息，从而提升视觉效果。目前，某些图像处理软件较好地完成这一处理，但是其处理方法都需要对前景区域进行手工标注，需要耗费大量的人力，不便于大批量处理；此外，现有技术模糊的扩散方式均为规则形状，难以适应复杂多变的图像内容。现有的自动背景虚化技术在前景边缘提取不成熟，导致边界不清晰，切割到错误的区域等等。
技术实现思路
针对现有背景虚化方法存在的边界不清晰等问题，本专利技术提出一种基于显著性区域检测模型背景虚化方法，能够检测整个显著性区域，在包含多个显著性对象、包含小尺度显著性对象等多种复杂情况均表现良好，不仅能准确的检测出完整的显著性区域，且显著性边界较为清晰。从而在虚化背景的时候能够保留前景图的特征，不损坏前景图图像内容。为实现上述目的，本专利技术的技术方案是：一种基于显著性区域检测模型背景虚化方法，包括以下步骤:步骤S1：获取原始图像；步骤S2：基于卷积神经网本文档来自技高网...

【技术保护点】
1.一种基于显著性区域检测模型背景虚化方法，其特征在于，包括以下步骤:步骤S1：获取原始图像；步骤S2：基于卷积神经网络构建显著性区域检测模型,得到原始图像的显著性图；步骤S3：将显著性图放入全连接条件随机场进行训练,得到优化后的显著性图;步骤S4：对优化后的显著性图进行二值化或分割处理得到01矩阵SBM,获得前景索引矩阵IF和背景索引矩阵IB，定义如下：

【技术特征摘要】
1.一种基于显著性区域检测模型背景虚化方法，其特征在于，包括以下步骤:步骤S1：获取原始图像；步骤S2：基于卷积神经网络构建显著性区域检测模型,得到原始图像的显著性图；步骤S3：将显著性图放入全连接条件随机场进行训练,得到优化后的显著性图;步骤S4：对优化后的显著性图进行二值化或分割处理得到01矩阵SBM,获得前景索引矩阵IF和背景索引矩阵IB，定义如下：其中，M×N为与原始图像分辨率相同的全1矩阵；步骤S5：利用距离加权平均算法实现原始图像的全局模糊，得到原始模糊图；步骤S6：利用前景索引矩阵IF对原始图像提取清晰前景图，利用背景索引矩阵IB对原始模糊图提取模糊背景图；最后将清晰前景图和模糊背景图相拼接，得到背景虚化结果。2.根据权利要求1所述的基于显著性区域检测模型背景虚化方法，其特征在于，所述显著性区域检测模型具体网络结构如下：第一层为输入层，输入原始图像；第二层由两个卷积层构成，其中第一个卷积层使用64个卷积核，尺寸为（4，4，3），第二个卷积层使用64个卷积核，尺寸为（3，3，64），激活函数为ReLU函数；第三层为池化层，尺寸为（2，2），激活函数为ReLU函数；第四层由两个卷积层构成，其中第一个卷积层使用128个卷积核，尺寸为（3，3，64），第二个卷积层使用128个卷积核，尺寸为（3，3，128），激活函数为ReLU函数；第五层为池化层，尺寸为（2，2），激活函数为ReLU函数；第六层由三个卷积层构成，其中第一个卷积层使用256个卷积核，尺寸为（3，3，128），第二个卷积层使用256个卷积核，尺寸为（3，3，256），第三个卷积层使用256个卷积核，尺寸为（3，3，256），激活函数为ReLU函数；第七层为池化层，尺寸为（2，2），激活函数为ReLU函数；第八层由三个卷积层构成，其中第一个卷积层使用512个卷积核，尺寸为（3，3，256），第二个卷积层使用512个卷积核，尺寸为（3，3，512），第三个卷积层使用512个卷积核，尺寸为（3，3，512），激活函数为ReLU函数；第九层为池化层，尺寸为（2，2），激活函数为ReLU函数；第十层由三个卷积层构成，其中第一个卷积层使用512个卷积核，尺寸为（3，3，512），第二个卷积层使用512个卷积核，尺寸为（3，3，512），第三个卷积层使用512个卷积核，尺寸为（3，3，512），激活函数为ReLU函数；第十一层为池化层，尺寸为（3，3），扩充边缘尺寸为1，激活函数为ReLU函数；第十二层由两个卷积层构成，其中第一个卷积层使用1024个卷积核，尺寸为（3，3，512），第二个卷积层使用512个卷积核，尺寸为（3，3，1024），激活函数为ReLU函数；第十三层由两个卷积层与一个归一化层构成，其中第一个卷积层使用256个卷积核，尺寸为（3，3，1024），第二个卷积层使用512个卷积核，尺寸为（3，3，256），激活函数为ReLU函数；第十四层为去卷积模块，其中两个输入分别为第十三层输出与第十二层输出；第十五层为去卷积模块，其中两个输入分别为第十四层输出与第八层输出；第十六层为去卷积模块，其中两个输入分别为第十五层输出与第六层输出；第十七层为去卷积模块，其中两个输入分别为第十六层输出与第四层输出；第十八层为去卷积模块，其中两个输入分别为第十七层输出与第二层输出；第十九层由一个去卷积层、一个卷积层、一个级联层组成，去卷积层的输入为第十四层输出，使用1个卷积核，尺寸为（4，4，512），卷积层的输入为第十四层输出，使用1个卷积核，尺寸为（1，1，512），级联层将去卷积层与卷积层的输出进行通道连接，激活函数为ReLU函数；第二十层由两个去卷积层与一个剪切层组成，其中第一个去卷积层使用1个卷积核，尺寸为（8，8，2），第二个去卷积层使用1个卷积核，尺寸为（8，8，1），使用剪切层将去卷积层结果剪切成与原始图像一样的尺寸，激活函数为Sigmoid函数；第二十一层由一个去卷积层、一个卷积层、一个级联层组成，，去卷积层的输入为第十九层输出，使用2个卷积核...

【专利技术属性】
技术研发人员：余春艳，徐小丹，陈立，杨素琼，王秀，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35