一种基于多特征扩散的图像显著性检测方法及终端技术

本发明专利技术提供了一种基于多特征扩散的图像显著性检测方法及终端，在选择种子节点时，不将所有处于图像边缘的节点都默认为背景节点，而是从整体考虑，通过融合背景先验、颜色先验、位置先验这三种先验算法作为图像的高层先验特征来选取种子节点，以避免边缘处的显著性物体都被检测为背景的情况。最后，提取图像的多层特征构造不同的扩散图和扩散矩阵，从多个角度反映节点的相似性，并非线性融合由图像的中、高层特征分别获得的相应显著图得到最终显著图。在常用的数据集上与现有部分经典的显著性物体检测算法相比，本发明专利技术可提高图像显著性检测的准确性，解决了现有技术中对显著性物体检测不突出且背景区域不能被很好抑制住的问题。

【技术实现步骤摘要】
一种基于多特征扩散的图像显著性检测方法及终端
本专利技术涉及图像处理
，尤其涉及一种基于多特征扩散的图像显著性检测方法及终端。
技术介绍
视觉显著性是指图像中最能引起人类视觉注意的部分信息，它的目标是识别图像中在视觉上最突出的物体或区域，其检测结果主要表现为二值化分割图像的前景区域和背景区域。它能有效提取图像的前景目标，降低场景分析的复杂度。由于计算资源的限制，人类视觉系统能快速、有效地从当前看到的图景中定位最感兴趣的区域，为之后的进一步处理做准备。同样，为了提高计算效率，在进行图像检索、目标检测、图像传输等操作时，往往需要的是图像的某些重要的信息，而不是整张图像的信息。近几年来，视觉注意在神经科学和计算机视觉领域已经成为一个重要的研究热点。其中，一部分研究聚焦人类注视预测，其可用于研究人类视觉系统的机制，另一部分研究关注图像中最引人注意的区域，即显著性物体检测。显著性检测作为图像的预处理部分，在图像分割、目标检测、人的再识别、图像缩放、图像检索、视频压缩等方面得到了广泛应用。目前，视觉显著性物体检测模型主要分为两种。一种是自底向上的显著性物体检测模型，它主要是基于图像的颜色、纹理、边缘、空间位置等视觉底层特征，是一种无意识的、由数据驱动的方法。另一种是自顶向下的显著性物体检测模型，它主要基于图像的上下文信息、语义信息等视觉高层特征，或者根据具体的目的对自底向上的一些特征进行训练、监督学习，是一种有意识的、由任务驱动的方法。有些研究则是将上述两者模型结合起来进行显著性检测。近年来，基于图的自底向上的显著性检测受到极大的研究和关注。2009年，V.Gopalakrishnan等人提出了一种随机游走图，首先从图中提取图像的全局属性，然后遍历马尔科夫链的平衡命中次数来确定最显著的节点，最后通过显著的种子节点来检测图像的显著性区域。2013年，Jiang等人提出了基于条件随机场的显著性物体检测模型，它以图为基础，通过图像的一系列特征与条件随机场的能量函数检测出图像的显著性区域。2015年，Li等人提出了一种用于显著性物体检测的标签传播算法(LabelPropagationAlgorithm)。它是先将要处理的数据节点以它们的内在关系构建成一个图的结构，将其中部分包含重要信息的数据节点作为标签节点，然后根据节点特征之间的相似性程度，经过多次迭代，得到最终显著图。而Yang等人提出了基于拉普拉斯矩阵的扩散方法。此类方法将图像构造为图的形式并把初步的显著性值作为种子节点，然后利用扩散矩阵，使得每个节点根据与种子节点的相似性程度的差异得到不同的显著性值，从而将种子节点的显著性信息扩散到整个图像中。上述显著性检测存在着物体检测不突出、不能较好地抑制背景区域的问题。
技术实现思路
本专利技术所要解决的技术问题是：提供一种基于多特征扩散的图像显著性检测方法及终端，可解决现有技术中对显著性物体检测不突出且背景区域不能被很好抑制住的问题。为了解决上述技术问题，本专利技术提供了一种基于多特征扩散的图像显著性检测方法，包括：S1：通过超像素分割算法将图像分割为若干个超像素，并根据所述若干个超像素，构造得到第一图形结构；S2：根据拉普拉斯的逆矩阵和谱聚类原理，得到所述逆矩阵的改进矩阵；根据第一图形结构，通过显著性检测方法中的背景先验算法、颜色先验算法和位置先验算法得到高层先验特征；根据所述第一图形结构及高层先验特征，生成种子节点；S3：分别根据图像的中层特征和高层特征构建对应的扩散图和扩散矩阵；并根据种子节点、改进矩阵、扩散图和扩散矩阵，生成对应的显著图，得到中层特征对应的中层显著图和高层特征对应的高层显著图；S4：根据所述中层显著图和高层显著图，通过非线性融合算法，生成目标显著图。本专利技术还提供了一种基于多特征扩散的图像显著性检测终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：S1：通过超像素分割算法将图像分割为若干个超像素，并根据所述若干个超像素，构造得到第一图形结构；S2：根据拉普拉斯的逆矩阵和谱聚类原理，得到所述逆矩阵的改进矩阵；根据第一图形结构，通过显著性检测方法中的背景先验算法、颜色先验算法和位置先验算法得到高层先验特征；根据所述第一图形结构及高层先验特征，生成种子节点；S3：分别根据图像的中层特征和高层特征构建对应的扩散图和扩散矩阵；并根据种子节点、改进矩阵、扩散图和扩散矩阵，生成对应的显著图，得到中层特征对应的中层显著图和高层特征对应的高层显著图；S4：根据所述中层显著图和高层显著图，通过非线性融合算法，生成目标显著图。本专利技术的有益效果为：本专利技术提供了一种基于多特征扩散的图像显著性检测方法及终端，在选择种子节点时，不将所有处于图像边缘的节点都默认为背景节点，而是从整体考虑，通过融合背景先验、颜色先验、位置先验这三种先验算法作为图像的高层先验特征来选取种子节点，以避免边缘处的显著性物体都被检测为背景的情况。最后，提取图像的多层特征构造不同的扩散图和扩散矩阵，从多个角度反映节点的相似性，并非线性融合由图像的中、高层特征分别获得的相应显著图得到最终显著图。在常用的数据集上与现有部分经典的显著性物体检测算法相比，本专利技术可提高图像显著性检测的准确性，解决了现有技术中对显著性物体检测不突出且背景区域不能被很好抑制住的问题。附图说明图1为本专利技术实施例的一种基于多特征扩散的图像显著性检测方法的流程图；图2为本专利技术实施例的一种基于多特征扩散的图像显著性检测系统的结构示意图；标号说明：1、存储器；2、处理器。具体实施方式为详细说明本专利技术的
技术实现思路
、所实现目的及效果，以下结合实施方式并配合附图详予说明。本专利技术最关键的构思在于：通过第一图形结构及高层先验特征，生成的种子节点，并根据改进矩阵及种子节点，构成一种新的扩散方法；选用图像多层特征通过扩散方法分别生成对应的显著图，并非线性融合生成目标显著图。请参阅图1，本专利技术提供了一种基于多特征扩散的图像显著性检测方法，包括：S1：通过超像素分割算法将图像分割为若干个超像素，并根据所述若干个超像素，构造得到第一图形结构；S2：根据拉普拉斯的逆矩阵和谱聚类原理，得到所述逆矩阵的改进矩阵；根据第一图形结构，通过显著性检测方法中的背景先验算法、颜色先验算法和位置先验算法得到高层先验特征；根据所述第一图形结构及高层先验特征，生成种子节点；S3：分别根据图像的中层特征和高层特征构建对应的扩散图和扩散矩阵；并根据种子节点、改进矩阵、扩散图和扩散矩阵，生成对应的显著图，得到中层特征对应的中层显著图和高层特征对应的高层显著图；S4：根据所述中层显著图和高层显著图，通过非线性融合算法，生成目标显著图。从上述描述可知，本专利技术提供了一种基于多特征扩散的图像显著性检测方法，在选择种子节点时，不将所有处于图像边缘的节点都默认为背景节点，而是从整体考虑，通过融合背景先验、颜色先验、位置先验这三种先验算法作为图像的高层先验特征来选取种子节点，以避免边缘处的显著性物体都被检测为背景的情况。最后，提取图像的多层特征构造不同的扩散图和扩散矩阵，从多个角度反映节点的相似性，并非线性融合由图像的中、高层特征分别获得的相应显著图得到最终显著图。在常用的数据集上与现有部分经典的显本文档来自技高网...

【技术保护点】
1.一种基于多特征扩散的图像显著性检测方法，其特征在于，包括：S1：通过超像素分割算法将图像分割为若干个超像素，并根据所述若干个超像素，构造得到第一图形结构；S2：根据拉普拉斯的逆矩阵和谱聚类原理，得到所述逆矩阵的改进矩阵；根据第一图形结构，通过显著性检测方法中的背景先验算法、颜色先验算法和位置先验算法得到高层先验特征；根据所述第一图形结构及高层先验特征，生成种子节点；S3：分别根据图像的中层特征和高层特征构建对应的扩散图和扩散矩阵；并根据种子节点、改进矩阵、扩散图和扩散矩阵，生成对应的显著图，得到中层特征对应的中层显著图和高层特征对应的高层显著图；S4：根据所述中层显著图和高层显著图，通过非线性融合算法，生成目标显著图。

【技术特征摘要】
1.一种基于多特征扩散的图像显著性检测方法，其特征在于，包括：S1：通过超像素分割算法将图像分割为若干个超像素，并根据所述若干个超像素，构造得到第一图形结构；S2：根据拉普拉斯的逆矩阵和谱聚类原理，得到所述逆矩阵的改进矩阵；根据第一图形结构，通过显著性检测方法中的背景先验算法、颜色先验算法和位置先验算法得到高层先验特征；根据所述第一图形结构及高层先验特征，生成种子节点；S3：分别根据图像的中层特征和高层特征构建对应的扩散图和扩散矩阵；并根据种子节点、改进矩阵、扩散图和扩散矩阵，生成对应的显著图，得到中层特征对应的中层显著图和高层特征对应的高层显著图；S4：根据所述中层显著图和高层显著图，通过非线性融合算法，生成目标显著图。2.根据权利要求1所述一种基于多特征扩散的图像显著性检测方法，其特征在于，所述S1具体为：将图像分割为多个超像素，每个超像素由若干个像素点组成；根据所述多个超像素，得到图形结构G＝(V,E)；将每个超像素作为图形结构的一个节点V；每个超像素对应节点与超像素相邻的第一超像素对应的节点的连接线，以及每个超像素对应节点与第二超像素对应的节点的连接线，构成图形结构的边E；所述第二超像素与所述第一超像素相邻，且不与超像素重合；根据图形结构，分别计算每一个边缘超像素对应的边缘节点和与边缘节点相邻的每一个节点之间的距离值，得到多个距离值；所述边缘超像素为包括图像边缘的像素点的超像素；根据多个距离值、每一个边缘超像素的lab颜色值及与每一个边缘超像素所有相邻的超像素的lab颜色值，计算得到每个边缘节点的对应的显著性值，获取小于预设第一阈值的显著性值，得到多个的第一显著性值，将所述第一显著性值对应的边缘节点作为背景节点，得到多个第一背景节点；根据每一个第一背景节点与除所述第一背景节点外的每一个背景节点之间的连接线，新增所述图形结构的边，得到第二图形结构；获取所述第二图形结构中与每一条边相连的两个节点，计算所述每一条边相连的两个节点分别对应的超像素的lab颜色值之间差值，根据所述差值，得到每一条边的权重，得到带有权重的无向图，即为所述第一图形结构。3.根据权利要求1所述的一种基于多特征扩散的图像显著性检测方法，其特征在于，所述S2具体为：根据拉普拉斯的逆矩阵，得到拉普拉斯矩阵A；根据拉普拉斯矩阵A，得到其中ΛA为对角阵，对角阵的对角元素由A的特征值组成，UA的列向量由特征值对应的特征向量所组成；根据谱聚类原理，舍弃UA中A的最小特征值对应的特征向量，得到根据ΛA和A的特征值，得到所述逆矩阵的改进矩阵；根据第一图形结构，通过显著性检测方法中的背景先验算法、颜色先验算法和位置先验算法得到高层先验特征；根据所述高层先验特征和所述第一图形结构，得到各个节点对应的第二显著性值，获取第二显著性值中所有大于预设第二阈值的显著性值，得到多个的第三显著性值；根据所述第三显著性值，得到种子节点；将所述种子节点及改进矩阵，得到显著性物体检测的扩散方法。4.根据权利要求1所述的一种基于多特征扩散的图像显著性检测方法，其特征在于，所述S3具体为：根据第一图形结构中每一个节点对应超像素的lab颜色值，计算所述第一图形结构中每一条边的第一权重；并根据第一图形结构、种子节点、改进矩阵和每一条边的第一权重，得到图像的底层显著图；根据所述图像的底层显著图，得到每一个节点对应的第一特征值；根据每一个节点对应的第一特征值，计算所述第一图形结构中每一条边的第二权重；并根据第一图形结构、种子节点、改进矩阵和每一条边的第二权重，得到图像的中层显著图；根据所述图像的中层显著图，得到每一个节点对应的第二特征值；根据每一个节点对应的第二特征值，计算所述第一图形结构中每一条边的第三权重；并根据第一图形结构、种子节点、改进矩阵和每一条边的第三权重，得到图像的高层显著图。5.根据权利要求1所述的一种基于多特征扩散的图像显著性检测方法，其特征在于，所述S4具体为：计算中层显著图对应的中层显著向量；计算高层显著图对应的高层显著向量；根据所述中层显著向量和高层显著向量，通过非线性融合算法，计算得到目标显著性向量；根据目标显著性向量和第一图形结构，得到目标显著图。6.一种基于多特征扩散的图像显著性检测终端，包括存...

【专利技术属性】
技术研发人员：叶锋，洪斯婷，陈家祯，郑子华，许力，林晖，李婉茹，
申请(专利权)人：福建师范大学，
类型：发明
国别省市：福建,35