一种基于多特征最优融合的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多特征最优融合的图像显著性检测方法，针对现有的显著性检测算法只是在空间域选择图像的颜色、纹理、方向等底层特征，或者只是从频率域角度来分析问题的单一性，选择空间域和频率域比较能够展示物体显著性的特征来计算物体的显著性；本发明专利技术方法通过支持向量机对训练数据的学习，能够根据图像的各种特征对于显著性检测的重要程度大小为各种特征设置不同的权重；本发明专利技术提供了一种能够得到更加准确和清晰的显著图的显著性检测算法，以便在各种计算机视觉领域任务中给提取的显著性区域分配更多计算机资源以便高效的处理各种视觉领域任务。

An image significance detection method based on multi feature optimal fusion

【技术实现步骤摘要】
一种基于多特征最优融合的图像显著性检测方法
本专利技术属于显著性检测
，具体涉及一种基于多特征最优融合的图像显著性检测方法。
技术介绍
最近几十年，显著性检测领域得到了蓬勃的发展，学者们提出了很多的显著性检测模型。这些模型的主要思路是基于特征融合理论、视觉注意理论，通过中心-周围(Center-Surround)机制，计算出图像的颜色、亮度、方向特征来模拟了人类视觉系统自底向上的视觉注意机制，通过计算颜色特征的对比来建立显著性检测模型。通过模仿人类视觉系统能够快速定位到感兴趣的物体的机制来进行显著性计算，这些算法总体来说效果性能良好，但是仍然存在一些改进的空间。但是由于目前对视觉系统的注意机制的认识还不够完善，以及图像的多样性以及噪声的干扰，导致很多方法只能从初级的特征入手而没有注意图像语义信息等高级特征的重要性，而且很多方法计算效率低，计算结果的精度有待提高。并且由于很多方法是针对某些特定任务提出的，导致方法的通用性不强，并且有的方法在标准数据集上效果很好，但是在图像前景背景比较接近等情况时候，获得的显著图位置与真实值偏本文档来自技高网...

【技术保护点】
1.一种基于多特征最优融合的图像显著性检测方法，其特征在于，包括以下步骤：/nS1、获取待检测的图像；/nS2、通过线性迭代聚类分割算法对待检测的图像进行预处理，获得若干由邻近像素构成的超像素；/nS3、对超像素进行颜色特征和纹理特征提取，同时对待检测图像进行频域特征的提取；/nS4、将提取的颜色特征、纹理特征和频域特征输入到训练好的支持向量机中，获得对应的显著值，并形成最终的显著图，实现图像显著性检测。/n

【技术特征摘要】
1.一种基于多特征最优融合的图像显著性检测方法，其特征在于，包括以下步骤：
S1、获取待检测的图像；
S2、通过线性迭代聚类分割算法对待检测的图像进行预处理，获得若干由邻近像素构成的超像素；
S3、对超像素进行颜色特征和纹理特征提取，同时对待检测图像进行频域特征的提取；
S4、将提取的颜色特征、纹理特征和频域特征输入到训练好的支持向量机中，获得对应的显著值，并形成最终的显著图，实现图像显著性检测。


2.根据权利要求1所述的基于多特征最优融合的图像显著性检测方法，其特征在于，所述步骤S3中，对超像素进行颜色特征提取的方法具体为：
给每个超像素建立颜色直方图，依次将每个超像素作为目标超像素，将目标超像素与其它所有超像素进行超像素颜色对比，得到该目标超像素的颜色对比显著值作为该超像素的颜色特征。


3.根据权利要求2所述的基于多特征最优融合的图像显著性检测方法，其特征在于，所述目标超像素的颜色对比显著值S(rk)的计算公式为：



式中，Ds(rk,ri)为目标超像素ri和超像素rk之间的空间距离；
w(ri)为目标超像素ri的空间权值；
δs为空间权值对于颜色对比显著值计算的影响变量，所述δs越小空间权值对颜色显著对比度计算作用越大；
Dr(rk,ri)为目标超像素ri和超像素rk之间的颜色空间距离，其计算公式具体为：



式中，f(c1,i)为第i种颜色在超像素c1中出现的概率；
f(c2,j)为第j种颜色在超像素c2中出现的概率；
D(c1,i,c2,j)为超像素c1的第i种颜色和超像素c2中的第j种颜色的空间距离；
n1,n2分别为超像素c1和超像素c1中的颜色总数。


4.根据权利要求1所述的基于多特征最优融合的图像显著性检测方法，其特征在于，所述步骤S3中，对超像素进行纹理特征提取的方法具体为：
A1、通过二维Gabor滤波器计算超像素Rj中每个像素Ii的特征向量G(Rj,Ii)；
A2、基于特征向量G(Rj,Ii)，计算超像素Rj上的每一个像素Ii的纹理特征向量G(Rj)；
A3、计算所有像素Ii的纹理特征向量G(Rj)平均值，得到超像素Rj的纹理显著值St(j)作为超像素Rj的纹理特征。


5.根据权利要求4所述的基于多特征最优融合的图像显著性检测方法，其特征在于，所述步骤A1中的二维Gabor滤波器的表达式为：



其中，二维Gabor滤波器的实数部分为：



二维Gabor滤波器的虚数部分为：



式中，x′＝xcosθ+ysinθ，y′＝-xsinθ+ycosθ；
x为像素在二维空间中x轴上的值；
y为像素在二维空间中y轴上的值；
λ是正弦函数的波长；
θ表示Gabor核函数的方向；
ψ表示对应的相位偏移量；
σ表示高斯函数的标准差；
γ表示空间的宽度和高度比；
所述步骤A1中的超像素Rj中每个像素Ii的特征向量G(Rj,Ii)为：



式中，Gi(s,o)为确定尺度和方向下的像素Ii经过二维Gabor滤波器滤波后的特征向量，s为第一维特征向量，o为第二维特征向量；
所述步骤A2中，超像素Rj上的每一个像素Ii的纹理特征向量G(Rj)为：



式中，Ni为超像素Rj中的像素总数；
所述步骤...

【专利技术属性】
技术研发人员：李建平，顾小丰，胡健，王青松，蒋涛，陈强强，贺喜，李天凯，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51