基于鲁棒性背景先验和全局信息的显著性目标检测方法技术

本发明专利技术属于图像处理技术领域，具体涉及基于鲁棒性背景先验和全局信息的显著性目标检测方法。该方法包括以下步骤：构建待检测图像的超像素标签矩阵；构建待检测图像的超像素权重矩阵；筛选瞬态节点和吸收节点；构建待检测图像的马尔科夫转移矩阵，并计算瞬态节点吸收时间；构建马尔科夫转移矩阵的显著性特征图；根据权重矩阵，计算超像素点的前背景概率；构建鲁棒性背景先验显著特征图；将马尔科夫转移矩阵的显著性特征图和鲁棒性背景先验显著特征图进行叠加整合，并利用所有超像素点的显著性值，生成超像素点的综合显著性检测图。本发明专利技术整合了鲁棒性背景先验方法和全局信息，得到的显著性目标更均匀，能更有效地计算图像的显著性值。

Salient target detection method based on robust background prior and global information

【技术实现步骤摘要】
基于鲁棒性背景先验和全局信息的显著性目标检测方法
本专利技术涉及图像处理
，具体涉及一种基于鲁棒性背景先验和全局信息的显著性目标检测方法。
技术介绍
随着互联网带来的大数据量的传播，如何从海量的图像和视频数据中快速地获取重要信息，已经成为计算机视觉领域一个关键的问题。通过在计算机视觉任务中引入这种视觉注意机制，即视觉显著性，可以为视觉信息处理任务带来一系列重大的帮助和改善。因此显著性检测的优化具有重要的意义。显著性检测的方法大致分为两种分析模型：一种叫做自下而上的数据驱动模型，特点的是速度快；另一类是自上而下的基于人工智能的计算模型,这类模型需要经过大量数据的训练之后进行图像识别处理，检测结果通常取决于目的性，不方便通过，且耗时较长。所以显著性检测大多采用自下而上的视觉模型。因此，近年来，基于图模型的自下而上方法得到了广泛的研究和应用。这种方法用邻域图模型建模，图像的超像素由图像的节点表示，图的边缘表示超像素之间的邻居关系和视觉外观相似性。然后，使用一模型些基于图的学习算法(例如基于鲁棒性背景先验的排序算法，马尔可夫随机游走模型等本文档来自技高网...

【技术保护点】
1.基于鲁棒性背景先验和全局信息的显著性目标检测方法，其特征在于：该方法包括以下步骤：/n(1)构建待检测图像的超像素标签矩阵；/n(2)构建待检测图像的超像素权重矩阵；/n(3)筛选瞬态节点和吸收节点；/n(4)构建待检测图像的马尔科夫转移矩阵，并计算瞬态节点吸收时间；/n(5)构建马尔科夫转移矩阵的显著性特征图；/n(6)根据权重矩阵，计算超像素点的前背景概率；/n(7)构建鲁棒性背景先验显著特征图；/n(8)将马尔科夫转移矩阵的显著性特征图和鲁棒性背景先验显著特征图进行叠加整合，并利用所有超像素点的显著性值，生成超像素点的综合显著性检测图。/n

【技术特征摘要】
1.基于鲁棒性背景先验和全局信息的显著性目标检测方法，其特征在于：该方法包括以下步骤：
(1)构建待检测图像的超像素标签矩阵；
(2)构建待检测图像的超像素权重矩阵；
(3)筛选瞬态节点和吸收节点；
(4)构建待检测图像的马尔科夫转移矩阵，并计算瞬态节点吸收时间；
(5)构建马尔科夫转移矩阵的显著性特征图；
(6)根据权重矩阵，计算超像素点的前背景概率；
(7)构建鲁棒性背景先验显著特征图；
(8)将马尔科夫转移矩阵的显著性特征图和鲁棒性背景先验显著特征图进行叠加整合，并利用所有超像素点的显著性值，生成超像素点的综合显著性检测图。


2.根据权利要求1所述的基于鲁棒性背景先验和全局信息的显著性目标检测方法，其特征在于：步骤(1)所述的“构建待检测图像的超像素标签矩阵”，其具体包括以下步骤：
(11)将待检测图像分割成若干超像素点，并将分割后的待检测图像在红绿蓝三通道上进行颜色-对比空间转换，获得待检测图像在国际照明委员会颜色-对比CIELAB空间中的特征值；
(12)利用简单线性迭代聚类SLIC超像素分割算法，分割待检测图像，将待检测图像分为若干超像素块，获得相应的超像素映射图，并生成待检测图像的超像素标签矩阵；对于每一个超像素里面所有的像素，以其在国际照明委员会颜色-对比CIELAB空间中的特征均值作为每一个超像素的特征值。


3.根据权利要求1所述的基于鲁棒性背景先验和全局信息的显著性目标检测方法，其特征在于：步骤(2)中所述的“构建待检测图像的超像素权重矩阵”，其具体包括：以超像素作为节点构造出图模型，并寻找每个节点的邻接节点，计算出所有节点之间的边权重，构造邻接节点之间的权重矩阵。


4.根据权利要求1所述的基于鲁棒性背景先验和全局信息的显著性目标检测方法，其特征在于：步骤(3)中所述的“筛选瞬态节点和吸收节点”，其具体包括以下步骤：
(31)根据权重矩阵获取待检测图像的超像素映射图，将超像素映射图中边界的超像素作为粗略边界节点；
(32)计算出每一个粗略边界节点的边界连通值，将边界连通值中大于阈值的粗略边界节点作为吸收节点，剩下的其余所有节点作为瞬态节点。


5.根据权利要求1所述的基于鲁棒性背景先验和全局信息的显著性目标检测方法，其特征在于：步骤(4)中所述的“构建待检测图像的马尔科夫转移矩阵，并计算瞬态节点吸收时间”，其具体包括以下步骤：
(41)求出每个节点和所有节点之间的关联矩阵A；
(42)根据关联矩阵A中每个节点和所有节点之间的权重和，计算出度矩阵D；
(43)将关联矩阵与度矩阵的逆矩阵点乘，得到马尔可夫转移矩阵P；所述步骤(43)，其具体包括以下步骤：
采用以下公式计算所有节点的转移矩阵：



其中，P是马尔科夫转移矩阵，D是度矩阵，wij是待检测图中各超像素点之间的亲和度；对于国际照明委员会颜色-对比CIE-lab空间中的距离中相近的点，他们之间的亲和度会更高；σ是控制权重的参数；A是和亲和度矩阵W有关的矩阵：如果节点i是一个瞬态节点而且它不与邻居节点相连接，则aij＝wij，aii＝1，否则aij＝0；dii表示矩阵W每一行值的和；diag表示这是一个对角矩阵，非对角线元素为0；e是自然常数；ci和cj表示与CIE-lab颜色空间中的两个节点相对应的超像素的平均值，||||是求范数的符号；
(44)根据马尔科夫转移矩阵P求得每个瞬态节点的吸收时间；所述步骤(44)，其具体包括以下步骤：
(441)采用以下公式调整马尔科夫转移矩阵P的顺序，使得前t个节点为顺态节点，后n-t个节点为吸收节点：



其中，R包含任何瞬态节点转移至任何吸收节点的概率。
(442)采用以下公式计算吸收时间T：

【专利技术属性】
技术研发人员：孙登第，张子鹏，梁怡晓，郑健，李凯，丁转莲，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽;34