【技术实现步骤摘要】
一种多特征融合的图像显著性检测方法
[0001]本专利技术属于图像处理
，具体设计了一种多特征融合的图像显著性检测方法。
技术介绍
[0002]显著目标检测旨在提取图像中最引人注目的对象，具有重要的理论研究意义和实际应用价值。此基础工作已广泛应用于视觉追踪、图像分割、物体识别等多个计算机视觉应用中。
[0003]当前的显著目标检测方法主要分为两类，一类是主要依赖手工制作的特征检测显著目标的传统方法，一类是不使用任何先验知识的检测显著目标的深度学习的方法。传统的算法直接根据视觉的特点设计底层特征进行显著性监测；深度学习的方法依赖神经网络提取特征，可以挖掘图像更深、更为抽象的语义特征。这些算法虽然都已取得了一定的成果，但自然环境中前景背景相似，背景杂乱等问题依然影响着显著目标检测精度。
技术实现思路
[0004]针对上述检测的特点以及检测中存在的缺点，本专利技术提出了一种多特征融合的图像显著性检测方法，所述方法结合传统方法与深度学习方法中的优点，根据图片特点选择有利于显著目标检测的先验特征，将先验特...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种多特征融合的图像显著性检测方法，其特征在于，包括如下步骤:S1:搭建MFS先验特征选择模块，从先验特征中选择主要特征并对主要特征进行增强；S2:搭建主干网络的架构，采用基于U
‑
Net的网络改进的Contrast U
‑
Net作为主干网络，该主干网络包含编码器、挤压提取模块、解码器，其中编码器中包含先验融合模块；S3:使用损失函数对整体模型网络结构进行优化。2.如权利要求1所述的一种多特征融合的图像显著性检测方法，其特征在于：步骤S1中MFS先验特征选择模块具体实现方式为：S11:通过对原始图片处理得到4个先验特征f
m
；其中，m=1,2,3,4，f1表示特征暗通道、f2表示特征MSCN、f3表示特征HSV通道的H通道、f4表示特征HSV通道的S通道；S12:将每个先验特征进行直方图统计，得到整体特征分布；将每个特征图的最外沿特征值取出做直方图统计，得到背景特征主要分布；在背景中增加显著目标后，通过整体特征分布和背景特征主要分布得到显著目标特征可能分布，其获得方式为：其中，k=10表示统计直方图有10个等距值域区间，r
k
表示第k级矩阵特征值域区间；当为0时，的值为无穷大；S13:通过每个背景特征主要分布和显著目标特征可能分布分别得到背景特征主要分布区域和显著目标特征主要分布区域；S14:通过背景特征主要分布区域与显著目标特征主要分布区域计算分布差异d
m
，选择分布差异中前三个最大值所对应的特征进行拼接得到主要特征F
P
，然后将其输入1
×
1的卷积层，获得一个多通道主要特征F
P1
；S15:增强多通道主要特征F
P1
，通过将多通道主要特征F
P1
进行残差连接，然后进行2
×
2最大池化，得到增强后的多通道主要特征F
pre
，用于编码器第2部分的先验输入；对F
pre
重复进行S15步骤进行增强，得到F
pre1
，用于编码器第3部分的先验输入。3.如权利要求2所述的一种多特征融合的图像显著性检测方法，其特征在于：步骤S13中背景特征主要分布区域获得方式为背景特征主要分布取最大值时的k值；显著目标特征主要分布区域获得方式为显著目标特征可能分布取最大值时的k值。4.如权利要求2所述的一种多特征融合的图像显著性检测方法，其特征在于：步骤S14中分布差异d
技术研发人员：周文俊，吴小琴，王一帆，王天飞，彭博，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：
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。