【技术实现步骤摘要】
一种图像显著性目标检测方法
本专利技术的技术方案涉及图像分析的区域分割，具体地说是一种图像显著性目标检测方法。
技术介绍
图像显著性目标检测是指利用计算机模拟人眼的视觉注意力机制，从图像中提取人类感兴趣的区域，是计算机视觉领域的关键技术之一。图像显著性目标检测的现有技术中，根据所提取图像特征类型的不同，图像显著性目标检测方法分为手工模型和深度学习模型。图像显著性目标检测的手工模型是指根据图像手工特征，例如颜色、纹理、位置和梯度，计算区域的显著值，但低级的图像手工特征无法描述对象的语义信息，在复杂场景中，无法精确描述对象边界；图像显著性目标检测的深度学习模型是指利用卷积神经网络提取图像的高级语义特征计算图像显著值，得到更丰富的深度特征，进而得到更准确的检测结果，但采用深度卷积神经网络会丢失图像显著性目标的位置信息和细节信息，在检测图像显著目标时可能会引入误导信息，导致检测到的图像显著性目标不完整。2014年，Zhu等人在“SaliencyOptimizationfromRobustBackgroundDetec...
【技术保护点】
1.一种图像显著性目标检测方法，其特征在于：是基于多图模型先验和短连接网络优化的图像显著性检测方法，具体步骤如下：/n第一步，输入原图像I，进行预处理:/n输入原图像I，使用SLIC超像素区域分割算法进行预分割，得到超像素集sp＝{sp
【技术特征摘要】
1.一种图像显著性目标检测方法，其特征在于：是基于多图模型先验和短连接网络优化的图像显著性检测方法，具体步骤如下：
第一步，输入原图像I，进行预处理:
输入原图像I，使用SLIC超像素区域分割算法进行预分割，得到超像素集sp＝{spi,i＝1,2,...,n}，其中，i为超像素的排序数(下同)，spi为原图像I的第i个超像素，n为图像I的预分割超像素的个数(下同)，对每个超像素区域提取平均CIE-Lab颜色空间特征和空间位置特征其中，ci为原图像I的第i个超像素的颜色特征(下同)，pi为原图像I的第i个超像素的空间位置特征(下同)，至此完成输入原图像I的预处理；
第二步，获得原图像I在KNN图模型下的显著图S1：
第(2.1)步，对原图像I构造KNN图模型：
用如下公式(1)计算上述第一步中的原图像I的第i个超像素spi和原图像I的第j个超像素spj之间的颜色特征的欧式距离dist(ci,cj)，
dist(ci，cj)＝||ci，cj||2(1)，
公式(1)中，cj为原图像I的第j个超像素的颜色特征，
用如下公式(2)计算上述第一步中的原图像I的第i个超像素spi和原图像I的第j个超像素spj之间的空间位置距离dist(pi，pj)，
公式(2)中，pj为原图像I的第j个超像素的空间位置特征,
用如下公式(3)计算上述第一步中的原图像I的第i个超像素spi和原图像I的第j个超像素spj之间的特征距离dist(spi，spj),
dist(spi，spj)＝λp×dist(pi，pj)+λc×dist(ci，cj)(3)，
公式(3)中，λp为用来控制dist(pi，pj)对特征距离dist(spi，spj)的权重值，λc为用来控制dist(ci，cj)对特征距离dist(spi，spj)的权重值，设定为λp＝0.5，λc＝1，
对特征距离dist(spi，spj)按照从小到大顺序排序，选择前5个值，其对应的超像素设置为近邻超像素，然后对原图像I构造KNN图模型为G1＝<V1,E1>，其中V1为节点集合，每个超像素为一个节点，E1为边集合，E1＝[e1,ij]n×n；
第(2.2)步，确定内边缘权重和外边缘权重：
根据上述第(2.1)中提及的超像素的颜色特征和空间位置特征，为每个超像素选择5个近邻超像素，每个超像素不仅连接它的相邻超像素，还和与它的相邻超像素共享一个超像素边界的超像素相连，
当一个超像素在图像内部时，与它的5个近邻超像素构成的边称为内边缘E1,Bondrary_i，内边缘权重由权重矩阵W1＝[w1]n×n定义，如下公式(4)所示，
W1，Boundary_i(e1,ij)＝exp(-dist(ci,cj)/2σ2)(4)，
公式(4)中，σ为一个常数(下同)，设定σ＝10，
当一个超像素在图像边界时，与它的5个邻接节点构成的边称为外边缘E1,Bondrary_o，外边缘权重定义如下公式(5)所示，
W1,Boundary_o(e1,ij)＝exp(-dist(pi,pj)/2σ2)(5)，
公式(5)中，设定σ＝10；
第(2.3)步，筛选边界背景节点：
利用边界连通性筛选图像I的边界背景节点，具体步骤如下：
设定原图像I的四条边界超像素为背景集合，记为Bnd，使用如下公式(6)计算原图像I的超像素sp与背景边界的连通程度，即原图像I超像素spi的边界连通性值，
公式(6)中，LenBnd(spi)为原图像I超像素spi的边界周长，Area(spi)为原图像I超像素spi的区域面积，
LenBnd(sp)的定义如下公式(7)所示，
公式(7)中，dist(spi,spj)为原图像I超像素spi与原图像I超像素spj之间的特征距离，
当原图像I超像素spj被归为背景集合Bnd时，δ(spj∈Bnd)＝1，否则为0，
Area(sp)的定义如下公式(8)所示，
公式(8)中，σclr为常数，σclr＝10，dgeo(spi,spj)为原图像I第i个超像素spi与原图像I第j个超像素spj之间沿KNN图模型最短路径的边缘权重的测地线距离，
dgeo(spi,spj)的定义如下公式(9)所示，
公式(9)中，dapp(spl,spl+1)为原图像I超像素spl和原图像I超像素spl+1在CIE-Lab颜色空间中的欧氏距离，p1为超像素spi，p2为原图像I第i个超像素spi到原图像I第j个超像素spj中可以连接到的所有超像素、pn为超像素spj,
然后，根据原图像I超像素sp的边界连通性值BndCon(·)，利用k-means方法将背景集合Bnd聚为两类，计算每个聚类中原图像I超像素的边界连通性值的平均值，选择边界连通性平均值最大的一类背景集合Bnd作为背景节点，
由此完成筛选边界背景节点；
第(2.4)步，获得原图像I在KNN图模型下的显著图S1：
设置上述第(2.3)步筛选得到的边界背景节点为查询节点，利用流形排序算法计算超像素与边界背景节点的相关性，并进行排序，得到原图像I在KNN图模型下的显著图S1，计算公式如下公式(10)所示，
S1＝(D-αW1)-1y(10)，
公式(10)中，D为原图像I对应的度矩阵，W1为权重矩阵，y为指示向量，
当超像素spi是查询节点时，则yi＝1，否则yi＝0，
原图像I对应的度矩阵D的定义如下公式(11)所示，
公式(11)中，dii为度矩阵D中的元素，w1,ij为KNN图模型下超像素spi和超像素spj之间的边缘权重值，
由此获得原图像I在KNN图模型下的显著图S1；
第三步：获得原图像I在K正则图模型下的显著图S2：
定义超像素的空间接近度和外观相似度，结合影响因子、空间接近度和外观相似度计算图像显著值，具体操作如下：
第(3.1)步，对上述第一步中的原图像I构造K正则图模型：
对上述第一步的原图像I，以超像素为节点构造其K正则图模型为G2＝<V2,E2>，其中，V2为节点集合，E2为边集合，E2＝[e2,ij]n×n；
第(3.2)步，获得每个超像素的影响因子Inf(spi)：
每个超像素...
【专利技术属性】
技术研发人员：刘教民，耿宁宁，刘依，郭迎春，于洋，师硕，阎刚，朱叶，郝小可，
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。