显著图像的提取处理方法及系统技术方案

本发明专利技术公开了显著图像的提取处理方法及系统，包括，通过RGB通道对当前图像的特征进行分析，获取当前图像的RGB显著特征；通过Depth通道对当前图像的特征进行分析，获取当前图像的Depth显著特征；RGB显著特征和Depth显著特征满足条件独立分布，并且假设均服从高斯分布；基于贝叶斯框架进行显著特征融合估计显著性后验概率得到图像显著性区域。从而本发明专利技术的有益效果在于：采用深层卷积神经网络提取RGB图像和Depth图像高层显著性特征，分析显著性特征的相关性，在贝叶斯框架下进行融合，采用DMNB生成模型建模3D显著性检测，得到较好的准确率、召回率和F度量。

【技术实现步骤摘要】
显著图像的提取处理方法及系统
本专利技术涉及图像分析
，尤其涉及显著图像的提取处理方法及系统。
技术介绍
显著性检测是计算机视觉中的一项重要研究内容，是指模拟人类视觉注意机制实现准确、快速地识别图像中最感兴趣区域的过程。基于视觉注意机制的RGB图像显著性检测模型采用低层特征对比计算得到显著性，其中包括全局特征对比计算模型，局部特征对比计算模型以及结合全局特征和局部特征对比计算模型。RGB-D图像显著性检测因为相比RGB图像的显著性检测增加了Depth图像，所以3D显著性计算模型中必须考虑Depth图像对显著性计算的影响。因此，在RGB-D图像显著性检测过程中存在两个重要的挑战，即如何计算由Depth图像产生的显著性以及如何融合RGB图像产生的显著性得到最终的3D显著性。现有技术中，RGB-D图像显著性检测模型在融合显著特征时没有考虑RGB图像显著特征和Depth图像显著特征分布关系，而直接将Depth显著特征与RGB显著特征进行线性融合。3D显著性检测模型不同于传统2D显著性检测模型的地方是增加评估深度特征对显著性检测的影响，所以如何融合Depth图像的深度特征与RGB图像的颜色等特征得到3D显著性是研究重点。
技术实现思路
针对上述现有技术中的问题，本专利技术解决了显著特征线性融合的处理准确率的问题。本专利技术提供了显著图像的提取处理方法，包括：步骤S101，通过RGB通道对当前图像的特征进行分析，获取当前图像的RGB显著特征；步骤S102，通过Depth通道对当前图像的特征进行分析，获取当前图像的Depth显著特征；步骤S103，假设获取所述RGB显著特征与所述Depth显著特征服从高斯分布；步骤S104，RGB显著特征与Depth显著特征满足条件独立分布，采用贝叶斯框架进行融合，估计图像显著性后验概率得到显著性区域；步骤S105，根据所述显著性区域对图形进行处理。在一种优选的实施方式中，所述步骤S101包括：通过深层卷积神经网络方法对RGB通道对当前图像的特征进行分析，获取当前图像的RGB显著特征。在一种优选的实施方式中，所述步骤S102包括：通过深层卷积神经网络方法对Depth通道对当前图像的特征进行分析，获取当前图像的Depth显著特征。在一种优选的实施方式中，所述步骤S103中包括：通过贝叶斯框架融合所述RGB显著特征与所述Depth显著特征的概率分布。在一种优选的实施方式中，所述步骤S101前包括：步骤S100，基于3D图像Kinect传感器进行RGB-D图像采集。同时，本专利技术还提供了显著图像的提取处理系统，包括：RGB显著性区域获取单元、Depth显著性区域获取单元、基于贝叶斯框架融合单元，显著性区域获取单元及图形处理单元；其中，RGB显著性区域获取单元，配制为通过RGB通道对当前图像的特征进行分析，获取当前图像的RGB显著特征；Depth显著性区域获取单元，配制为通过Depth通道对当前图像的特征进行分析，获取当前图像的Depth显著特征；基于贝叶斯框架融合单元，配置为获取所述RGB显著特征与所述Depth显著特征的满足条件独立分布，并且假设显著特征均服从高斯分布，基于朴素贝叶斯计算显著性后验概率；显著性区域获取单元，配置为若所述区域的后验概率大于0.5，则提取该所在的区域为显著性区域；图形处理单元，配置为根据所述显著图形区域对图形进行处理。在一种优选的实施方式中，所述RGB显著性区域获取单元还配制为：通过深层卷积神经网络方法对RGB通道对当前图像的特征进行分析，获取当前图像的RGB显著特征。在一种优选的实施方式中，所述Depth显著性区域获取单元还配制为：通过深层卷积神经网络方法对Depth通道对当前图像的特征进行分析，获取当前图像的Depth显著特征。在一种优选的实施方式中，所述基于贝叶斯框架融合单元还配制为：假设RGB显著特征和Depth显著特征服从高斯分布，通过贝叶斯框架融合获取所述RGB显著特征与所述Depth显著特征的概率分布。在一种优选的实施方式中，图像采集单元，配制为图像采集。从而本专利技术的有益效果在于：采用深层卷积神经网络提取RGB图像和Depth图像高层显著性特征，分析显著性特征的相关性，RGB显著特征和Depth显著特征满足条件独立分布，在贝叶斯框架下进行融合，采用DMNB生成模型建模3D显著性检测，得到较好的准确率、召回率和F度量。附图说明图1是本专利技术显著图像的提取处理方法的流程示意图；图2是本专利技术显著图像的提取处理系统的结构示意图；图3是NLPR数据集和NJU-DS2000数据集RGB图像和Depth图像显著特征的类条件互信息熵分布图，(a)NLPR数据集颜色-深度显著情况,(b)NLPR数据集颜色显著情况,(c)NLPR数据集深度显著情况,(d)NJU-DS2000数据集颜色-深度显著情况,(e)NJU-DS2000数据集颜色显著情况,(f)NJU-DS2000数据集深度显著情况；图4是基于DMNB模型显著性检测的图模型；图5是对比基于生成聚类和狄利克雷过程聚类方法确定DMNB模型混合分量参数C，(a)针对NLPR数据集显著特征生成聚类图，(b)针对NLPR数据集基于狄利克雷过程的显著特征聚类图,其中不同颜色和形状的数目代表DMNB模型混合分量参数C对于NLPR数据集,得到C＝24，(c)针对NJU-DS2000数据集显著性特征生成聚类图，(d)针对NJU-DS2000数据集基于狄利克雷过程的显著特征聚类图,其中不同颜色和形状的数目代表DMNB模型混合分量参数C，对于NJU-DS2000数据集,得到C＝28；图6是NLPR数据集颜色-深度显著情况显著图对比，(a)RGB图像,(b)Depth图像,(c)真值图,(d)ACSD方法,(e)GMR方法,(f)MC方法,(g)MDF方法,(h)LMH方法,(i)GP方法,(j)本文方法；图7是NLPR数据集颜色显著情况显著图对比，(a)RG图像,(b)Depth图像,(c)真值图,(d)ACSD方法,(e)GMR方法,(f)MC方法,(g)MDF方法,(h)LMH方法,(i)GP方法,(j)本文方法；图8是NLPR数据集深度显著情况显著图对比，(a)RGB图像,(b)Depth图像,(c)真值图,(d)ACSD方法,(e)GMR方法,(f)MC方法,(g)MDF方法,(h)LMH方法,(i)GP方法,(j)本文方法；图9是NLPR数据集ROC曲线对比图，(a)颜色-深度显著,(b)颜色显著,(c)深度显著,(d)总体情况；图10是NLPR数据集F测度结果对比图，(a)颜色-深度显著,(b)颜色显著,(c)深度显著,(d)总体情况；图11是NJU-DS2000数据集颜色-深度显著情况显著图对比，(a)RGB图像,(b)Depth图像,(c)真值图,(d)ACSD方法,(e)GMR方法,(f)MC方法,(g)MDF方法,(h)本文方法；图12是NJU-DS2000数据集颜色显著情况显著图对比，(a)RGB图像,(b)Depth图像,(c)真值图,(d)ACSD方法,(e)GMR方法,(f)MC方法,(g)MDF方法,(h)本文方法；图13是NJU-DS2000数据集深度显著情况显著图对比，(a)RGB图像,(b)D本文档来自技高网...

【技术保护点】
1.显著图像的提取处理方法，包括：步骤S101，通过RGB通道对当前图像的特征进行分析，获取当前图像的RGB显著特征；步骤S102，通过Depth通道对当前图像的特征进行分析，获取当前图像的Depth显著特征；步骤S103，假设获取所述RGB显著特征与所述Depth显著特征服从高斯分布；步骤S104，RGB显著特征与Depth显著特征满足条件独立分布，采用贝叶斯框架进行融合，估计图像显著性后验概率得到显著性区域；步骤S105，根据所述显著性区域对图形进行处理。

【技术特征摘要】
1.显著图像的提取处理方法，包括：步骤S101，通过RGB通道对当前图像的特征进行分析，获取当前图像的RGB显著特征；步骤S102，通过Depth通道对当前图像的特征进行分析，获取当前图像的Depth显著特征；步骤S103，假设获取所述RGB显著特征与所述Depth显著特征服从高斯分布；步骤S104，RGB显著特征与Depth显著特征满足条件独立分布，采用贝叶斯框架进行融合，估计图像显著性后验概率得到显著性区域；步骤S105，根据所述显著性区域对图形进行处理。2.根据权利要求1所述的显著图像的提取处理方法，其特征在于，所述步骤S101包括：通过深层卷积神经网络方法对RGB通道对当前图像的特征进行分析，获取当前图像的RGB显著特征。3.根据权利要求1所述的显著图像的提取处理方法，其特征在于，所述步骤S102包括：通过深层卷积神经网络方法对Depth通道对当前图像的特征进行分析，获取当前图像的Depth显著特征。4.根据权利要求1所述的显著图像的提取处理方法，其特征在于，所述步骤S103中包括：通过贝叶斯框架融合RGB显著特征与所述Depth显著特征，基于显著特征服从高斯分布计算显著性后验概率。5.根据权利要求1所述的显著图像的提取处理方法，其特征在于，所述步骤S101前包括：步骤S100，基于3D图像Kinect传感器进行RGB-D图像采集。6.显著图像的提取处理系统，包括：RGB显著性区域获取单元、Depth显著性区域获...

【专利技术属性】
技术研发人员：王松涛，靳薇，曲寒冰，
申请(专利权)人：北京市新技术应用研究所，
类型：发明
国别省市：北京,11