一种基于深度学习的显著区域提取方法及系统技术方案

本发明专利技术提供一种基于深度学习的显著区域提取方法及系统，其中方法包括训练步骤和测试步骤，所述训练步骤包括以下子步骤：进行超像素分割；进行超像素集合的筛选；生成训练区域块；提取所述训练区域块的特征；标注所述训练区域块；训练卷积神经网络。本发明专利技术提出的一种基于深度学习的显著区域提取方法及系统，对输入深度网络的训练特征增加了筛选环节，筛选后的区域输入到深度网络训练得到的模型具有更强的判别能力。

A method and system of salient region extraction based on deep learning

【技术实现步骤摘要】
一种基于深度学习的显著区域提取方法及系统
本专利技术涉及计算机视觉
领域，具体地说是一种基于深度学习的显著区域提取方法及系统。
技术介绍
随着视觉显著性研究的深入，多来越多的研究已经将深度学习网络体系结构应用到显著区域提取中。有的文献通过无监督学习方法得到多个中层的滤波器集合进行局部的显著区域提取，并且和卷积网络得到的中层显著区域提取结果进行融合。有的文献采用卷积神经网络得到图像的多尺度特征，包括局部区域块、它的邻域区域块和整幅图像，进行显著区域的提取。有的文献训练了两个深度卷积网络：一个用于训练得到局部显著图，另一个用于训练得到全局显著图，然后将两种显著图进行融合。有的文献采用全局上下文信息和局部区域信息相融合的方法实现显著区域提取。深度学习除了具有层次结构之外，还能自动学习特征，学习到的特征明显优于手工提取的特征，正因为如此，基于深度学习的显著区域提取工作已经取得了很大的进展。目前基于深度学习的显著区域提取方法为了取得较好的提取效果往往会设计多个深度学习的网络结构，或者设计不同的对比度计算方法对输入深度网络进行特征训练，但是对输入深度本文档来自技高网...

【技术保护点】
1.一种基于深度学习的显著区域提取方法，包括训练步骤和测试步骤，其特征在于，所述训练步骤包括以下子步骤：/n步骤01：进行超像素分割；/n步骤02；进行超像素集合的筛选；/n步骤03：生成训练区域块；/n步骤04：提取所述训练区域块的特征；/n步骤05：标注所述训练区域块；/n步骤06：训练卷积神经网络。/n

【技术特征摘要】
1.一种基于深度学习的显著区域提取方法，包括训练步骤和测试步骤，其特征在于，所述训练步骤包括以下子步骤：
步骤01：进行超像素分割；
步骤02；进行超像素集合的筛选；
步骤03：生成训练区域块；
步骤04：提取所述训练区域块的特征；
步骤05：标注所述训练区域块；
步骤06：训练卷积神经网络。


2.如权利要求1所述的基于深度学习的显著区域提取方法，其特征在于，所述步骤01为对训练集的每幅图像采用超像素分割算法进行分割预处理，得到训练集图像的所述超像素集合其中，M为集合R1中超像素的个数，i表示处理的是第i块超像素区域。


3.如权利要求2所述的基于深度学习的显著区域提取方法，其特征在于，所述步骤02包括对所述训练集图像的超像素集合R1中的每一个超像素区域和其邻域进行对比度判断，筛选出满足对比度判别阈值要求的超像素区域，获得满足要求的超像素集合其中，N为集合R2中超像素的个数。


4.如权利要求3所述的基于深度学习的显著区域提取方法，其特征在于，超像素区域对比度判别函数如下：



其中，ri1表示集合R1中的当前超像素区域，rj1表示ri1的邻域，j表示第j块超像素区域；HRGB(ri1和HRGB(rj1)表示区域ri1和rj1的RGB颜色直方图；HHSV(ri1)和HHSV(rj1)表示区域ri1和rj1的HSV颜色直方图；HLab(ri1)和HLab(rj1)表示区域ri1和rj1的Lab颜色直方图；d()表示颜色距离；是归一化参数，ri1∈R1，1≤i≤M。


5.如权利要求4所述的基于深度学习的显著区域提取方法，其特征在于，所述步骤03...

【专利技术属性】
技术研发人员：梁晔，马楠，李鹏飞，
申请(专利权)人：北京联合大学，
类型：发明
国别省市：北京;11