一种基于最优特征选择的低对比度图像显著性检测方法技术

本发明专利技术公开了一种基于最优特征选择的低对比度图像显著性检测方法。本发明专利技术通过递归地自适应地选择低对比度图像中的最佳特征来分层地细化显著性图。首先利用多尺度超像素分割来抑制背景干扰。然后，通过全局对比度和空间关系生成初始显著性图。最终利用局部和全局适应性来优化得到的显著性图。并利用此方法在四个数据集上的进行测试，实验评估表明，所提出的模型在效率和准确性方面优于15种最先进的方法。包括：MSRA数据集，SOD数据集，DUT‑OMRON数据集，和NI数据集。

A saliency detection method for low contrast images based on optimal feature selection

The invention discloses a low contrast image saliency detection method based on optimal feature selection. The present invention refines saliency maps hierarchically by recursively and adaptively selecting the best features in low contrast images. Firstly, multi-scale super-pixel segmentation is used to suppress background interference. Then, the initial saliency map is generated by global contrast and spatial relationship. Finally, local and global adaptability are used to optimize the saliency map. The method is tested on four data sets. The experimental evaluation shows that the proposed model is superior to the 15 most advanced methods in terms of efficiency and accuracy. Including: MSRA data set, SOD data set, DUT OMRON data set, and NI data set.

【技术实现步骤摘要】
一种基于最优特征选择的低对比度图像显著性检测方法
本专利技术涉及一种基于最优特征选择的低对比度图像显著性检测方法，属于图像处理领域，能够为夜间安全监控、复杂环境目标定位等热点问题提供理论和技术基础。
技术介绍
图像显著性检测可以大大促进计算机自主检测和识别的广泛应用。尽管近年来图像显著性检测已经取得了显著的改进，但低信噪比，低对比度的特色图像仍然对当前方法提出了巨大挑战。本专利提出了一种基于最优特征选择的显著种子传播方法来检测低对比度图像中的显著对象。所提出的方法的关键思想是通过递归地自适应地选择低对比度图像中的最优特征来分层地细化显著性图。旨在模仿人类视觉系统，可以毫不费力地从场景中挑选出最相关的物体，显著物体检测可以大大促进图像分割，图像检索，图像压缩，无线网络节点分配等的应用。通过计算低级别或高级别线索中的像素或区域的唯一性，现有的显著性模型可以分为两类。1)一类是自底而上无人监督的方法，主要是基于局部或全局对比度。这些算法有基于多个特征图的中心环绕差异而计算，有基于直方图和区域对比度进行显著性计算，有利用对比度和空间分布来估计图像显著性，有通过高维颜色变换和回归估计全局显著性和局部显著性，有通过使用颜色和纹理特征的紧凑性假设来构造显著性图。通常，这些自底而上的方法在处理杂乱背景的图像时遇到困难，并且当图像对比度相对较低时难以找到真正的显著对象。2)另一类是自顶而下的依靠监督学习来指导目标获取的方法。由的方法利用支持向量机(SVM)训练生成超像素级显著图，有的通过融合基于超像素的拉普拉斯传播和训练的卷积神经网络(CNN)来设计一种基于深度学习的显著性模型，有的提出结合了局部和全局特征的简化CNN，也有的提出了一个基于协方差的CNN模型来学习图像显著性和利用边缘保留和多尺度上下文神经网络来生成显著图。这些方法具有较高计算复杂度，当前的深度神经网络模型非常耗时并且它们在精确定位方面的性能相对较弱。随着近年来对深度学习研究的深入，以卷积神经网络为典型代表的网络模型因其强大的学习能力受到广泛的关注并成功应用于不同的视觉任务。卷积神经网络作为一种模拟人类大脑神经结构的模型，其能够完成类似人类感知性能的对象识别，也可视为一种高级显著线索应用于低对比度图像中显著对象的检测。尽管已经提出了许多自底而上和自顶而下的显著性模型，但是它们中的大多数被设计用于白天场景中的显著物体检测。由于在低对比度图像中表示显著性信息的有用特征比较匮乏，这些模型在低照明场景中可能面临巨大挑战。其原因主要为以下两个方面：1)目前的手工设计的特征很难评估图像中的对象性；2)当前的高级特征在检测精确显著对象边界方面面临巨大挑战，CNN模型中的多级卷积和池化层使得显著对象边界很模糊。
技术实现思路
本专利技术涉及一种基于最优特征选择的低对比度图像显著性检测方法。图像显著性检测可以大大促进计算机自主检测和识别的广泛应用。尽管近年来图像显著性检测已经取得了显著的改进，但低信噪比，低对比度的特色图像仍然对当前方法提出了巨大挑战。本专利提出了一种基于最优特征选择的显著种子传播方法来检测低对比度图像中的显著对象。所提出的方法的关键思想是通过递归地自适应地选择低对比度图像中的最佳特征来分层地细化显著性图。首先利用多尺度超像素分割来抑制背景干扰。然后，通过全局对比度和空间关系生成初始显著性图。最终利用局部和全局适应性来优化得到的显著性图。并利用此方法在四个数据集上的进行测试，实验评估表明，所提出的模型在效率和准确性方面优于15种最先进的方法。低对比度图像显著性再现的最佳特征选择方法，本专利技术具体步骤为：步骤(1)为保留并利用图像的信息，将图像分割成超像素；步骤(2)提取若干视觉特征并从中选择最优的特征；步骤(3)构建显著性模型生成初始显著图；步骤(4)递归地细化初始显著性种子并优化显著性图。步骤(1)中，为了保留对象结构信息并利用原始图像的中级信息，利用简单线性迭代聚类(SLIC)算法将输入图像分割成超像素，表示为{si},i＝1,···,N。该处理可以通过将超像素视为处理单元来提高模型的效率。由于检测结果的准确性高度依赖于超像素的数量，所提出的模型捕获了三种不同尺度的超像素，其中N分别设置为100,200和300。步骤(2)中，从输入图像中提取出若干的低级视觉特征，包括颜色特征、纹理特征、方向特征和梯度特征，其中颜色特征有九种；低级视觉特征的有效性根据输入图像的不同对比度而变化，基于低级视觉特征的信息熵从中自适应选择出九个最优特征。低级视觉特征提取过程描述如下：2-1.首先对输入图像的RGB颜色空间进行归一化，以消除光和阴影的影响。然后将归一化后图像转换为LAB、HSV和YCbCr颜色空间，以便提取出九种颜色特征。2-2.利用图像的二维熵来表示其纹理特征。纹理特征的变化通过熵的变化来确定，纹理特征具有很强的抗噪声和几何变形的能力。2-3.通过在输入的灰度图像上执行不同方向θ∈{0°,45°,90°,135°}的Gabor滤波器来获取方向特征。方向特征的全局属性和旋转不变性使其受低对比度的影响较小。2-4.通过平均水平梯度和垂直梯度来计算梯度特征。通过梯度特征可以描述局部灰度变化的幅度。通过计算每个特征图的1维熵后，从提取出的12个特征{L,A,B,H,S,V,Y,Cb,Cr,E,O,G}中选择九个最优特征，九个最优特征表示为{Fk},k＝1,2,...,9，是其方法为：这里pI表示灰度值所在的像素的比例I。作为特征统计形式，图像灰度分布的聚合特性中包含的平均信息可以通过图像熵来反映。特征图的图像熵值越大，特征的有效性越高。在本专利中，选择了九个特征，可以确保图像信息的良好描述。步骤(3)中，构建显著化模型生成初始显著图的具体步骤为：每个超像素的显著性值是基于全局区域对比度和空间关系得到的，计算方式如下：这里pos(si,sj)表示显著性si和sj之间的距离。c(si)计算像素点(xi,yi)和图像中心(x′,y′)坐标之间的空间距离。vx和vy是由图像的水平和垂直信息决定的变量。步骤(4)中，使用两个代价函数来递归地细化初始显著性种子并最终优化显著性图，具体步骤为：首先通过计算每个超像素的显著性si来获得初始显著性图表示为Smapk,k＝0；然后使用Otsu的阈值将初始显著性图分割成非显著和显著区域。非显著和显著区域可以被视为原始图像背景种子(表示为BS)和前景种子(表示为FS)。由于超像素和背景之间的差异越大，超像素的显著性值越高。相反与前景的差异越大，显著性值越低。因此，超像素的显著性值si可以基于BS和FS重新计算:该过程完成了一次迭代优化，并形成了一个新的显著性图Smapk，k＝1。接下来，重新使用Otsu的方法来获取新的BS和FS，下一代的显著性图Smapk+1可以通过公式(4-6)获得。通过定义了两个代价函数来确定迭代是否已达到结束条件。函数f1(k)测量全局适应度，这意味着新一代和上一代显著图之间的差异越小，目标就更准确。函数f2(k)测量局部适应度，这意味着超像素与其相邻超像素之间的变化越小，每个决策变量的显著性值就越大。通过最小化f1(k)和f2(k)，可以生成最佳的超像素级显著图。本专利技术有效果如下：本专利技术所提出的模型能够在低对比度图像本文档来自技高网...

【技术保护点】
1.一种基于最优特征选择的低对比度图像显著性检测方法，其特征在于包括如下步骤：步骤(1)为保留并利用输入图像的信息，将输入图像分割成超像素；步骤(2)提取若干视觉特征并从中选择最优的特征；步骤(3)构建显著性模型生成初始显著图；步骤(4)递归地细化初始显著性种子并优化显著性图。

【技术特征摘要】
1.一种基于最优特征选择的低对比度图像显著性检测方法，其特征在于包括如下步骤：步骤(1)为保留并利用输入图像的信息，将输入图像分割成超像素；步骤(2)提取若干视觉特征并从中选择最优的特征；步骤(3)构建显著性模型生成初始显著图；步骤(4)递归地细化初始显著性种子并优化显著性图。2.根据权利要求1所述的一种基于最优特征选择的低对比度图像显著性检测方法，其特征在于：步骤(1)中为了保留对象结构信息并利用输入图像的中级信息，利用简单线性迭代聚类算法将输入图像分割成超像素，表示为{si},i＝1,···,N；由于检测结果的准确性高度依赖于超像素的数量，其中N分别设置为100,200和300；步骤(2)中从输入图像中提取出若干的低级视觉特征，包括颜色特征、纹理特征、方向特征和梯度特征，其中颜色特征有九种；低级视觉特征的有效性根据输入图像的不同对比度而变化，基于低级视觉特征的信息熵从中自适应选择九个最优特征，低级视觉特征提取过程描述如下：2-1.首先对输入图像的RGB颜色空间进行归一化，然后将归一化后图像转换为LAB、HSV和YCbCr颜色空间，以便提取出九种颜色特征；2-2.利用图像的二维熵来表示其纹理特征，纹理特征的变化通过熵的变化来确定；2-3.通过在输入的灰度图像上执行不同方向θ∈{0°,45°,90°,135°}的Gabor滤波器来获取方向特征；2-4.通过平均水平梯度和垂直梯度来计算梯度特征；通过计算每个特征图的1维熵后，从提取出的12个特征{L,A,B,H,S,V,Y,Cb,Cr,E,O,G}中选择九个最优特征，九个最优特征表示为{Fk},k＝1,2,...,9，是其方法为：这里pI表示灰...

【专利技术属性】
技术研发人员：王强，杨安宁，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33