基于启发式边界优化的显著性目标检测方法技术

本发明专利技术属于计算机视觉技术领域，为解决无监督显著性目标检测方法所得显著性图分块现象明显、边缘细节差的问题，本发明专利技术，基于启发式边界优化的显著性目标检测方法，步骤如下：步骤1：基于简单线性迭代聚类和基本数字图像特征得到粗显著性图；步骤2：应用基于类间、类内方差的区域划分算法获得图像优化蒙版；步骤3：利用彩色图像和图像优化蒙版构建边界优化金字塔；步骤4：应用基于动态种群灰狼算法的边界优化算法对边界区域进行优化，得到目标区域均匀、边界清晰完整的显著性图。本发明专利技术主要应用于图像处理场合。于图像处理场合。于图像处理场合。

【技术实现步骤摘要】
基于启发式边界优化的显著性目标检测方法


[0001]本专利技术属于计算机视觉
，具体涉及一种基于启发式边界优化的显著性目标检测方法。

技术介绍

[0002]显著性目标检测是利用计算机来模拟人眼的视觉注意力机制的一项技术，其可以从图像中快速分割出最引人注目的物体或区域。视觉是人感知和认识世界的重要途径之一，随着科技的发展，计算机视觉技术越来越受到大家的关注。目前，显著性目标检测已成为计算机视觉领域的一项重要研究课题，并作为一项图像预处理技术，被广泛运用到其他计算机视觉任务中，如目标识别、目标跟踪、语义分割、视频压缩等。显著性目标检测可以有效引导图像的冗余抑制，在大数据时代下具有重要的实际应用价值。
[0003]早期的显著性目标检测方法，主要通过设计手工特征来检测显著目标，例如纹理、梯度、灰度等。但是，由于手工特征的特征表达能力具有局限性，且通过基础的数字图像处理难以对特征进行有效运用，使得基于传统方法的显著性目标检测难以获得目标区域完整的显著性图。深度神经网络凭借强大的特征提取和学习能力，逐渐得到研究人员的关注，并已经成功应用于显著本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于启发式边界优化的显著性目标检测方法，其特征是，步骤如下：步骤1：基于简单线性迭代聚类和基本数字图像特征得到粗显著性图；步骤2：应用基于类间、类内方差的区域划分算法获得图像优化蒙版，对于步骤1得到的粗显著性图进行区域划分，得到具有主体区域、待优化区域、背景区域三个部分的图像优化蒙版；步骤3：利用彩色图像和图像优化蒙版构建边界优化金字塔，通过同时对彩色图像和图像优化蒙版进行参数相同的采样操作，构建图像的多尺度表示，即边界优化金字塔；步骤4：应用基于动态种群灰狼算法的边界优化算法对边界区域进行优化，基于动态种群的灰狼优化算法在原有灰狼算法的基础上，设置种群动态率和离群率参数，并利用新的搜索方程提升算法的全局寻优能力和多峰函数寻优能力，通过对图像优化蒙版进行边界细化，得到目标区域均匀、边界清晰完整的显著性图。2.如权利要求1所述的基于启发式边界优化的显著性目标检测方法，其特征是，具体步骤如下：步骤1：基于简单线性迭代聚类和基本数字图像特征得到粗显著性图，采用简单线性迭代聚类SLIC方法将图像分割为多个区域，即超像素区域，在超像素区域内，根据人的视觉感知对像素进行分组或聚类，在一幅图像中可以提取多个同质性区域，之后，通过度量超像素区域间的颜色对比度和空间对比度来提取特征对比度图；此外，对输入图像通过Harris算子进行角点检测，得到输入图中的显著点；在此基础上，利用超像素区域的空间分布来突出显著性目标和抑制背景，之后，确定每个超像素区域作为背景的概率，通过数值来表示背景连通性，将特征对比图、空间紧致项和背景相关项分别进行平滑处理，并融合在一起生成初始显著特征图，接着，采用代价函数融合初始显著性特征图和背景概率图得到粗显著性图；步骤2：应用基于类间、类内方差的区域划分算法获得图像优化蒙版：应用基于类间、类内方差的区域划分，对于步骤1得到的粗显著性图进行区域划分，得到主体区域、待优化区域、背景区域三个部分，利用最大类间方差和最小类内方差的准则构建代价函数，求取图像优化蒙版分割阈值T1和T2，基于T1和T2对粗显著性预测图进行分割，并经过开运算去除噪声，得到图像优化蒙版；步骤3：利用彩色图像和图像优化蒙版构建边界优化金字塔，同时对彩色图像和图像优化蒙版进行参数相同的采样操作，构建图像的多尺度表示，即边界优化金字塔，为避免边界优化金字塔包含过小的图像，设置边界优化金字塔建立停止准则，当满足边界优化金字塔建立停止准则，算法停止计算，得到边界优化金字塔数据模型；步骤4：应用基于动态种群灰狼算法的边界优化算法对边界区域进行优化，迭代搜索之前，由基于动态种群的灰狼优化算法进行优化，该算法为启发式信息传播提供初始像素对，对于边界优化金字塔数据模型，从最小尺度的图像开始，逐级进行启发式信息传播的多尺度像素对搜索，将在金字塔的前一层搜索得到的启发式信息传播到当前层，并交替执行启发式信息传播和单尺度搜索；其中，动态种群的灰狼优化算法在原有灰狼算法的基础上，设置种群动态率和离群率参数，并利用新的搜索方程提升算法的全局寻优能力和多峰函数寻优能力，通过对图像优化蒙版进行边界细化，得到目标区域均匀、边界清晰完整的显著性图。3.如权利要求1所述的基于启发式边界优化的显著性目标检测方法，其特征是，详细步
骤如下：步骤1：基于简单线性迭代聚类和基本数字图像特征得到粗显著性图：采用简单线性迭代聚类SLIC(Simple Linear Iterative Cluster)方法将图像分割为多个区域，即超像素区域，在超像素区域内，根据人的视觉感知对像素进行分组或聚类；对输入图像的每个颜色通道进行量化，将其统一量化到q个二进制数中，从量化后的图像中，选择主色以覆盖图像中95％以上的像素，根据最小欧几里德距离准则，将覆盖小5％像素的颜色合并到选定的主色中，基于超像素的图像分割和颜色量化后，每个超像素区域S
i
均有其直方图H
i
，i＝1,2，
…
n，并以进行归一化，其中k为颜色量化数；之后，通过度量超像素区域间的颜色对比度和空间对比度来提取特征对比度图，两个超像素区域S
i
和S
j
,它们的颜色距离C
d
(S
i
,S
j
)被定义为两个超像素区域中平均颜色的欧几里得距离，取值范围是[0,1]，这里的颜色距离C
d
评估两个超像素区域的颜色相似性，除了基于颜色的相似性,对两个超像素S
i
和S
j
接近性的格式塔定律表示为空间邻近距离P
d
(S
I
,S
j
),它被定义为两超像素质心之间的欧氏距离，P
d
(S
I
,S
j
)越大,S
i
和S
j
越接近，空间接近距离可在[0,1]内进一步归一化为其公式为：式中，P
d_min
和P
d_max
分别指P
d
所有可能值的最小值和最大值，由给定图像的超像素确定；基于颜色距离C
d
和标准化空间接近距离得到Si的全局超像素颜色对比度，其定义为：其中n为超像素区域个数，A
j
为超像素S
j
的归一化区域，其中大的对S
i
的全局颜色对比度值贡献更大，Aj的总和为1；定义超像素区域S
i
的全局空间对比度值如下：式中L
j
为空间布局的权重，其定义为超像素区域S
j
的质心到图像四个边框中的任意一个的最小距离；C
I
是式(4)定义的超像素区域间颜色相似度，其中Hi和Hj分别指两个超像素区域S
i
和S
j
的颜色直方图，m是颜色量化数k的索引；式中，通过(1
‑
|H
i
(m)
‑
H
j
(m)|)根据频率来衡量两个直方图的相似度；将ICS定义为超像素区域S
i
和S
j
之间的颜色相似度和空间接近度的组合度量：ICS(S
i
,S
j
)＝P
d_norm
(S
i
,S
j
)
·
C
I
(S
i
,S
j
)
ꢀꢀꢀꢀ
(5)因此，全局空间对比度值的公式可简化为：在全局颜色对比度C
G
和全局空间对比度S
G
的基础上，得到超像素区域S
i
的特征对比度值FC(S
i
)，其公式为：
FC(S
i
)＝C
G
(S
i
)
·
S
G
(S
i
)
ꢀꢀꢀꢀ
(7)此外，对输入图像通过Harris算子进行角点检测，得到输入图中的显著点，在此基础上，利用超像素区域的空间分布来突出显著性目标和抑制背景；对于给定的超像素区域图像，所有超像素区域的颜色也可以在Lab颜色空间中划分为8个粗簇，其中3个单独的颜色分量通过阈值T
(.)
分为两部分，对于8个颜色簇中的每一个，提取的主色记为其中为Lab三个颜色分量之一的平均值，C
i
作为对应颜色簇的中心，采用Harris算子确定前景和背景的粗区域，计算凸包将所有显著点包围起来，凸包内的所有超像素区域定义为前景，其余超像素定义为背景，让和分别表示前景Gf和背景Gb的平均颜色，为了最大化颜色对比度，在每个颜色分量中，自适应阈值T
(.)
被定义为：根据上面自适应确定的8种主要颜色，将相似的颜色合并起来，以简化后续计算，比较每对提取的主要颜色，如果它们的欧氏距离小于阈值T
d
，则合并它们，对于每一幅图像，自适应确定阈值为和之间欧氏距离的一半，设Ci和Cj为两个颜色簇，用加权平均凝聚法将其合并：其中pi和pj分别表示C
i
和C
j
中的像素数，对于G
f
或G
b
中的每个颜色簇C
k
，M(C
k
)表示其地理中心，C
k
的空间紧致性项定义为M(C
k
)与每个对象O
i
之间的平均距离，它包含:之间的平均距离，它包含:其中k≤8，N
k
表示颜色簇C
k
内对象数量，M(O
i
)表示对象的地理中心O
i
。通过式(12)，Sd缩放到[0,1]；其中Sd(C
k<...

【专利技术属性】
技术研发人员：郭继昌，刘晓雯，郑司达，
申请(专利权)人：天津大学，
类型：发明
国别省市：