一种基于多图学习的水体显著性目标检测方法技术

本发明专利技术公开了一种基于多图学习的水体显著性目标检测方法，涉及显著性目标检测技术领域，包括以下步骤：步骤一：数据采集：通过无人机影像或遥感影像对水体信息进行获取；步骤二：数据预处理：对获取的影像基于SLIC超像素分割生成邻接矩阵，构建完全图；步骤三：多特征提取：(1)颜色特征图提取；(2)对比特征图提取；步骤四：流形排序方法显著性检测；步骤五：多显著性图结合；步骤六：显著性优化：通过显著性优化框架对图像进行处理，得到新的显著性效果图；通过分别获得颜色特征图、对比度特征图和流形排序方法检测图进行不同权重的加权融合得到新的显著性图，最后再进行显著性优化，从而实现一种基于多图学习模型的新的显著性目标检测方法。标检测方法。标检测方法。

【技术实现步骤摘要】
一种基于多图学习的水体显著性目标检测方法


[0001]本专利技术涉及显著性目标检测
，具体涉及一种基于多图学习的水体显著性目标检测方法。

技术介绍

[0002]在许多地理场景应用中，我们需要从图像中提取地物的信息，如地物的颜色、形状和纹理特征等，本论文结合了显著性目标检测技术用于地理场景识别中，借助计算机模拟人眼进行地物信息提取，能够有效地减小人力成本和提高工作效率。
[0003]经检索，中国专利号为CN112085020A的专利技术专利，公开了一种视觉显著性目标检测法及装置。该方法通过获取RGB彩色图像，将不同设备上获取的RGB彩色图像从GRB色彩空间映射到LAB色彩空间；在转换后的LAB色彩空间，基于超像素图像分割SLIC方法，实现输入图像的区域分割，依据超像素图像分割区域。专利技术所提出的基于多尺度局部特征对比视觉显著性目标检测方法，能够广泛应用于图像分割、物体识别、自适应图像压缩等相关领域。
[0004]上述方法基于背景先验局部区域相似性度量机制，运用多尺度思想，计算并得到彩色输入图像的视觉显著性区域，实现视觉显著性目标检测。但在实际使用的过程中仅通过图像识别与运用多尺度思想，对水体的检测效果不理想，并且表现在对颜色、对比度不敏感，且可能存在部分区域检测不出的情况，因此提出一种基于多图学习的水体显著性目标检测方法。

技术实现思路

[0005]本专利技术专利目的在于提供一种基于多图学习的水体显著性目标检测方法，用以解决现有技术中缺少对显示屏的保护的问题。
[0006]为了实现上述目的，本专利技术实施例提供如下技术方案：
[0007]一种基于多图学习的水体显著性目标检测方法，包括以下步骤：
[0008]步骤一：通过无人机和遥感信息对水体信息进行获取；
[0009]步骤二：数据预处理：对获取的SLIC超像素分割，生成邻接矩阵，构建完全图；
[0010]步骤三：提取多特征：(1)颜色特征图提取；(2)对比特征图提取；
[0011]步骤四：流形排序方法显著性检测；
[0012]步骤五：多显著性图结合；
[0013]步骤六：显著性优化：通过显著性优化框架对图像进行处理，得到新的显著性效果图；
[0014]步骤七：显著性效果图进行校验：通过ASD、MSRA、SOD、SED2进行实验并通过绘制PR曲线和计算MAE与optMR和optSO进行比较。
[0015]颜色特征图提取的步骤如下：
[0016]第一步，将RGB颜色空间转换为LAB颜色空间，并分别求出所有超像素的平均L、a、b值，公式如(2.1)所示：
[0017][0018]其中N为超像素的个数，p
L
(i)，p
A
(i)，p
B
(i)分别表示第i个超像素的L、a、b值
[0019]第二步，计算每个超像素到Lab均值的欧式距离d
col
(i)，公式如(2.2)所示：
[0020][0021]第三步，对欧氏距离d
col
(i)进行归一化得到公式如(2.3)所示：
[0022][0023]从而从图像的颜色特征得到了显著性图。
[0024]第一步，计算出每个超像素在LAB颜色空间的欧几里得距离，公式如(2.4)所示：
[0025][0026]第二步，计算每个超像素之间的空间位置欧几里得距离，公式如(2.5)所示：
[0027][0028]其中p
x
(i)和p
y
(i)分别表示第i个超像素的中心行列值，公式如(2.6)所示：
[0029][0030]其中pix
x
(i)和pix
y
(i)分别表示超像素内每个像素的行列值，n为超像素内像素的个数。计算完位置距离后，我们计算空间位置的权重，公式如(2.7)所示：
[0031][0032]其中σ
spa
为常数，这里我们取0.4。计算完空间位置权重w
spa
(p，q)后，我们将LAB颜色空间距离d
col
(p，q)进行融合，从而得到超像素间对比度权重w
con
(p，q)，公式如(2.8)所示：
[0033]w
con
(p，q)＝d
spa
(p，q)
·
w
spa
(p，q)
ꢀꢀ
(2.8)
[0034]第三步，将每个超像素与其它超像素的对比度权重进行相加，得到每个超像素从对比度特征上提取到的显著性值，公式如(2.9)所示：
[0035][0036]其中N为超像素的个数，最后对显著性值进行归一化，公式如(2.10)所示：
[0037][0038]从而从图像对比度色特征得到了显著性图。
[0039]专利技术流形排序方法包括有两个阶段，第一阶段：分别通过图像的四边超像素边界作为种子节点进行背景先验从而得到四副不同的显著性图，然后整合得到一副显著性图，第二阶段：在第一阶段的前提上以第一阶段的前景区域作为种子点进行前景先验。
[0040]专利技术多显著性图结合采用加权融合方法；
[0041][0042]其中σ
col
，σ
con
和σ
MR
均为常数，根据融合后的显著性检测效果图以及多次试验数据，我们取σ
col
为0.2，σ
con
为0.3，σ
MR
为0.5。
[0043]本专利技术具有如下优点：
[0044]相比现有技术，本专利技术的有益效果为：
[0045]通过分别获得颜色特征图、对比度特征图和流形排序方法检测图进行不同权重的加权融合得到新的显著性图，最后再进行显著性优化从而实现一种基于多图学习模型的新的显著性目标检测方法；
[0046]使用ASD、MSRA、SOD、SED2这些著名的数据集进行评估，将本专利技术方法与流形排序方法和显著性优化方法两种著名的显著性目标检测方法通过PR曲线和平均绝对误差进行对比，对检测效果进行判断，解决了颜色、对比度不敏感，且可能存在部分区域检测不出来的情况。
附图说明
[0047]为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0048]本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
能涵盖的范围内。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多图学习的水体显著性目标检测方法，包括以下步骤：步骤一：通过无人机或遥感影像对水体信息进行获取；步骤二：数据预处理：对获取的数据基于SLIC超像素分割，生成邻接矩阵，构建完全图；步骤三：提取多特征：(1)颜色特征图提取；(2)对比特征图提取；步骤四：按照流形排序方法进行显著性检测；步骤五：进行多显著性图结合；步骤六：显著性优化：通过显著性优化框架对图像进行处理，得到新的显著性效果图；步骤七：显著性效果图进行校验：通过ASD、MSRA、SOD、SED2进行实验并通过绘制PR曲线和计算MAE与optMR和optSO进行比较。2.根据权利要求1所述的一种基于多图学习的水体显著性目标检测方法，其特征在于，发明颜色特征图提取的步骤如下：第一步，将获取的RGB颜色空间转换为LAB颜色空间，并分别求出所有超像素的平均L、a、b值，公式如(2.1)所示：其中N为超像素的个数，p
L
(i)，p
A
(i)，p
B
(i)分别表示第i个超像素的L、a、b值第二步，计算每个超像素到Lab均值的欧式距离d
col
(i)，公式如(2.2)所示：第三步，对欧氏距离d
col
(i)进行归一化得到公式如(2.3)所示：从而从图像的颜色特征得到了显著性图。3.根据权利要求2所述的一种基于多图学习的水体显著性目标检测方法，其特征在于，发明对图像比特征步骤如下：第一步，计算出每个超像素在LAB颜色空间的欧几里得距离，公式如(2.4)所示：第二步，计算每个超像素之间的空间位置欧几里得距离，公式如(2.5)所示：其中p
x
(i)和p
y
(i)分别表示第i个超像素的中心行列值，公式如(2.6)所示：其中pix
x
(i)和pix
y
(i)分别表示超像素内每个像素的行列...

【专利技术属性】
技术研发人员：梁明，施金海，严俊，朱晓峻，
申请(专利权)人：安徽大学，
类型：发明
国别省市：