【技术实现步骤摘要】
基于各向异性扩散的显著度检测方法
本专利技术涉及基于各向异性扩散的显著度检测方法，属于图像处理
技术介绍
近些年来，随着大量显著度检测算法的提出，显著目标检测技术得到了飞速发展，但仍存在一定不足。复杂图像中目标尺度不一致、分布不均匀都会增大检测的难度，造成检测的不稳定性。而且当图像中存在由于光照变化或噪声引起的区域边缘模糊现象时，检测效果并不理想。现有的基于距离度量的方法是采用距离度量图像单元之间的对比度，但通常无法有效区分不同图像区域的拓扑结构或由于噪声影响容易对图像结构信息描述不准确。基于结构信息的方法如流形排序结构、随机游走结构和马尔可夫结构等，都通过研究无向图中的流形排序或随机游走等特性来分析图像结构信息，然而排序或游走的过程容易受到光照变化或噪声干扰，从而影响对于边缘不清晰问题的检测准确性和稳定性。
技术实现思路
本专利技术旨在克服现有技术中存在的不足，针对上面的问题，提供一种基于各向异性扩散的显著度检测方法。该方法充分利用图像区域之间的拓扑结构信息，以及各项异性扩散能够自主感知区域边缘、保留重要结构并去除噪声的特性，得到图像区域的结构连通性信息。...
【技术保护点】
1.基于各向异性扩散的显著度检测方法，其特征在于，包括以下步骤：第一步：基于超像素分割的无向图表达(1.1)采用线性迭代聚类SLIC算法对原始图像进行分割，得到形状规则、视觉均匀、大小一致紧凑的超像素块，每个超像素块由颜色或纹理特征相似的像素组成；(1.2)以步骤(1.1)得到的超像素块作为无向图顶点，每个顶点都与其空间域内周围颜色特征最相似且位置最相近的近邻点之间有边连接，并将两顶点之间连接边的权重定义为特征空间中两点的特征差异，形成近邻图G(V,E)；其中，V表示顶点集合，E表示边的集合；(1.3)在近邻图G(V,E)上通过提取和合并最小生成树MST构建k‑边图模型；具...
【技术特征摘要】
1.基于各向异性扩散的显著度检测方法，其特征在于，包括以下步骤：第一步：基于超像素分割的无向图表达(1.1)采用线性迭代聚类SLIC算法对原始图像进行分割，得到形状规则、视觉均匀、大小一致紧凑的超像素块，每个超像素块由颜色或纹理特征相似的像素组成；(1.2)以步骤(1.1)得到的超像素块作为无向图顶点，每个顶点都与其空间域内周围颜色特征最相似且位置最相近的近邻点之间有边连接，并将两顶点之间连接边的权重定义为特征空间中两点的特征差异，形成近邻图G(V,E)；其中，V表示顶点集合，E表示边的集合；(1.3)在近邻图G(V,E)上通过提取和合并最小生成树MST构建k-边图模型；具体步骤为：将近邻图G(V,E)上的一棵MST的边移除；接着生成第二棵MST并将其边移除；以此类推，依次将生成的k个MST从近邻图G(V,E)上移除；再将k个MST进行合并得到k-边图；第二步：基于各向异性扩散的边界连通显著性度量(2.1)各向异性扩散模拟图像结构信息在k-边图模型中，每个超像素节点有k个最近邻，即颜色相似且位置相近的节点，则每个超像素节点有k个扩散方向；对于一幅图像I(x,y)中的任意超像素节点i的各向异性扩散迭代方程如下：其中，为t时刻稳定状态下超像素节点i的扩散值，x和y分别表示图像中超像素节点i的坐标，扩散参数是梯度算子，表示当前超像素节点在k个方向上的梯度，则相邻点之间的梯度如公式(2)所示；c1,c2,…,ck分别表示k个方向的扩散传导系数，控制扩散的速率，如公式(3)所示；其中，M为边缘灵敏度参数，且M＞0；(2.2)边界连通性度量以分布于图像四个边界上的超像素为背景节点，超像素节点i的边界连通性BC(i)为：其中，N表示图像中超像素节点的数量，bnd为属于图像边界的超像素节点的集合；It(i)和It(j)分别表示超像素节点i和j的扩散值，σ为BC(i)的控制参数；以边界连通性的高斯函数来计算超像素节点的显著度值Sbc，使超像素节点的边界连通性越大时，其显著度值越低，得到边界连通显著图的显著度值Sbc，公式如下：其中，σbc为Sbc的控制参数；第三步：外观对比显著性度量首先定义围绕图...
【专利技术属性】
技术研发人员：刘碧莹，王凡，徐丽娟，胡小鹏，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21
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。