【技术实现步骤摘要】
基于能量优化的图像协同显著性检测方法
本专利技术涉及图像数据处理领域,具体地说是基于能量优化的图像协同显著性检测方法。
技术介绍
图像协同显著性检测作为计算机视觉新兴的研究领域,其目的在于从两幅及以上图像中检测相同物体或相同类别物体,已被广泛应用于图像检索、图像协同分割和弱监督定位等。与传统的单张图像显著性检测相比,图像协同显著性检测是视觉显著性分析在多张图像上的扩展,旨在检测多张图像中的相同物体或相同类别物体,因此,图像协同显著性检测方法不仅受单张图像中对比度影响,而且还受多个相关图像中关联性影响。现有技术中,图像协同显著性检测方法主要由三部分组成:提取有效的表征图像区域的特征、探索重要的显著性线索以及设计高效的计算框架。基于此,图像协同显著性检测模型大体上可以分为两类:自底向上的方法和基于显著性图融合的方法。典型的自底向上的方法为Fu等人于2013年在“Cluster-basedCo-saliencyDetection”一文中提出基于聚类的协同显著性检测方法,其主要思路是将多张图像中的重复性区域作为附加约束来检测多张图像中的相同物体或相同类别的显著物体,既考虑 ...
【技术保护点】
1.基于能量优化的图像协同显著性检测方法,其特征在于:是将三个重要的显著性线索进行融合,对融合后能量方程进行优化,具体步骤如下:第一步,输入图像组{I1,I2,...,In},进行预处理:输入一组包含相同类别目标的图像组{I
【技术特征摘要】
1.基于能量优化的图像协同显著性检测方法,其特征在于:是将三个重要的显著性线索进行融合,对融合后能量方程进行优化,具体步骤如下:第一步,输入图像组{I1,I2,...,In},进行预处理:输入一组包含相同类别目标的图像组{I1,I2,...,In},利用SLIC超像素区域分割算法对该图像组中的所有图像分别进行超像素区域分割,其中,图像Ii预分割为区域对图像Ii中的每个超像素区域提取平均CIE-Lab颜色空间颜色特征和空间位置特征用公知方法计算图像Ii中的第s个超像素区域和图像Ii中的第s′个超像素区域之间的颜色距离和空间位置距离,对上述输入图像组中所有图像利用RBD算法获得初始显著性图上述式子中,Ii为输入图像组中的第i张图像,超像素区域为图像Ii的第s个超像素区域,下标s为超像素区域的标号,为图像Ii的第s个超像素区域的颜色特征,为图像Ii的第s个超像素区域的空间位置特征,为图像Ii的初始显著性图,N(ri)为图像Ii预分割超像素区域的总个数,n为输入图像组中图像的个数,至此完成输入图像组{I1,I2,...,In}的预处理,以下步骤中的n均为输入图像组中图像的个数;第二步,确定初始候选简单显著性图对上述第一步中的图像的初始显著性图进行质量评估,目标是找到前景和背景分离较好的显著性图,将获得质量评估分数较高的前一半初始显著性图,作为初始候选简单显著性图具体操作方法如下:对初始显著性图利用分离度测度计算前景区域和背景区域的分离程度,具体步骤如下:首先利用OTSU算法对初始显著性图进行二值化,获得前景区域的二维高斯分布曲线和背景区域的二维高斯分布曲线,二者的显著性值均服从二维高斯分布,前景区域的二维高斯分布曲线表示为公式(1):公式(1)中,z表示从0~1变化的显著性值,为二维高斯分布的均值,定义为前景区域的平均显著性值,为前景区域显著性值的标准差,背景区域的二维高斯分布曲线表示为公式(2):公式(2)中,z表示从0~1变化的显著性值,为二维高斯分布的均值,定义为背景区域的平均显著性值,为背景区域显著性值的标准差,然后,计算初始显著性图中的前景区域的二维高斯分布曲线和背景区域的二维高斯分布曲线的重叠面积,具体步骤如下:假设z*表示前景区域和背景区域二维高斯分布曲线交点对应的显著性值,该显著性值可以通过求解以下公式(3)和公式(4)所示的二次方程获得:将公式(3)展开得公式(4):求解上述二次方程获得前景区域和背景区域的分布曲线交点对应的显著性值z*如公式(5)所示:公式(5)中,μf表示初始显著性图前景区域二维高斯分布曲线的均值,μb表示初始显著性图背景区域二维高斯分布曲线的均值,σf表示初始显著性图前景区域显著性值的标准差,σb表示初始显著性图背景区域显著性值的标准差,log(·)为对数运算,初始显著性图中的前景区域的二维高斯分布曲线和背景区域的二维高斯分布曲线的重叠面积如公式(6)所示:公式(6)中,表示初始显著性图前景区域的二维高斯分布曲线,表示初始显著性图背景区域的二维高斯分布曲线,z*表示初始显著性图前景区域的二维高斯分布曲线和背景区域的二维高斯分布曲线的交点所对应的显著性值,表示初始显著性图前景区域的二维高斯分布曲线在0≤z≤z*时,与横轴正半轴所组成区域的面积,表示初始显著性图背景区域的二维高斯分布曲线在z*≤z≤1时,与横轴正半轴所组成区域的面积,最后,计算初始显著性图的分离度测度如公式(7)所示:公式(7)中,表示初始显著性图中的前景区域的二维高斯分布曲线和背景区域的二维高斯分布曲线的重叠面积,初始显著性图最终的质量评估得分由分离度测度决定,分离度测度的数值越大说明初始显著性图的前景区域和背景区域分离越明显,其质量评估分数越高,将初始显著性图中质量评估分数较高的前一半作为初始候选简单显著性图由此完成确定初始候选简单显著性图第三步,计算初始协同显著性图对上述第二步得到的初始候选简单显著性图引入全局一致性项Yi进行优化计算初始协同显著性图具体操作如下:首先,将上述第一步的输入图像组{I1,I2,...,In}里的所有的图像进行k-means聚类获得其中K表示所有图像聚类总个数,然后,利用一个具有n个bin的直方图按公式(8)来描述聚类在n张图像中的重复性,公式(8)中,mk表示聚类中类k的超像素总个数,表示超像素的类索引,最后,引入全局一致性项Yi为公式(9)所示:公式(9)中,var(qk)表示聚类中直方图qk的方差,将初始候选简单显著性图和全局一致性项Yi进行融合计算初始协同显著性图如公式(10)所示:公式(10)中,“*”表示点乘,即将初始候选简单显著性图和全局一致性项Yi中对应像素点的显著性值逐个相乘,完成计算初始协同显著性图得到初始协同显著性图中对应像素的协同显著性值,由此完成计算初始协同显著性图第四步,设置简单图像Isim:利用上述第二步中的初始候选简单显著性图和上述第三步中的初始协同显著性图选取包含相同类别目标简单图像Isim,具体操作步骤如下:首先,利用OTSU算法对上述第二步中的初始候选简单显著性图进行阈值分割获得前景区域如公式(11)所示:然后,利用OTSU算法对上述第三步中的初始协同显著性图进行阈值分割获得前景区域如公式(12)所示:最后,选择Nsim个简单图像,比较上述前景区域和上述前景区域比较结果表示为公式(13):公式(13)中,θ=0.8,当IOU≥θ,说明初始候选简单显著性图经过阈值分割获得的前景区域和初始协同显著性图经过阈值分割获得的前景区域包含相同的目标,因此,选取IOU≥0.8...
【专利技术属性】
技术研发人员:于明,王红义,刘依,朱叶,郝小可,师硕,于洋,郭迎春,阎刚,
申请(专利权)人:河北工业大学,
类型:发明
国别省市:天津,12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。