[发明专利]联合显著性检测与判别式学习的目标前景协同分割方法

说明书

技术领域

本发明涉及图像处理技术领域，具体涉及一种联合显著性检测与判别式学习的目标前景协同分割方法。

背景技术

图像目标分割是计算机视觉中的基本任务，图像分割对很多计算机视觉任务有着很大的影响，例如图像检索，图像编辑。但是现有无监督方法很难对单幅图像进行精确分割，分割是受视觉任务驱动的。因此现有技术提出了交互式分割方法，对单幅图像分割取得了良好的效果，但是基于交互式分割由于巨大的人力成本，无法应用到大规模的网络图像中。

为了解决上述问题，现有技术还提出了协同分割方法，图像目标协同分割是对具有相同或相似目标的图像集进行协同分割，获得在给定图像集中共有目标前景的过程。

现有的图像协同分割算法的基本假设是同时出现在图像集中的共有区域为目标前景区域，这样的假设存在着明显的问题，因为一致的背景区域也会作为目标前景分割出来。

发明内容

为了克服现有技术的上述缺陷，本发明提出了一种联合显著性检测与判别式学习的目标前景协同分割方法，其目的是联合显著性检测过程和判别式学习过程的各自优点。

本发明提出的联合显著性检测与判别式学习的目标前景协同分割方法包括：步骤1，将图像集中的每幅图像过分割成多个超像素块，并对每个超像素块提取特征；步骤2，将图像集中共有的显著性区域提取出来作为目标前景，而将非显著性区域和具有显著性但不是该图像集中共有的区域作为背景区域，其中采用低秩矩阵分解进行图像的显著性检测，采用逻辑回归来选择共有的显著性区域作为最终的目标。

优选地，该方法进一步包括：步骤3，对于表示最终的目标的目标函数，用增广拉格朗日乘子法和梯度下降法对目标函数进行快速优化求解，对于给定初始值，利用梯度下降法对逻辑回归函数中的参数进行估计，进而利用梯度下降法对目标前景的概率进行联合预测，然后根据获得的目标前景概率，进一步指导低秩矩阵分解过程来进行图像显著性检测，在图像显著性检测中通过增广拉格朗日乘子法求解，对这两个过程迭代优化，直至目标函数收敛。

优选地，步骤2进一步包括：根据所提取的特征，在每幅图像上进行低秩矩阵分解。

优选地，步骤3进一步包括：如果目标函数变化小于阈值，则输出超像素块目标前景概率，获得目标前景图。

优选地，步骤3进一步包括：如果目标函数变化大于阈值，在目标前景概率指导下，实现图像的显著性检测，根据显著性检测结果和逻辑回归模型实现对目标前景概率联合预测，重新判断目标函数变化是否小于阈值，如果小于，则输出超像素块目标前景概率，获得目标前景图，如果大于，则继续在目标前景概率指导下，实现图像的显著性检测。

利用本发明提出的联合显著性检测与判别式学习的目标前景协同分割方法，显著性检测的优点是可以有效地检测出图像中的显著性区域，从而可以去除图像集合中一致性较强的背景区域的影响，然而并非每幅图像中的显著性区域都是需要的目标区域，根据协同分割的思想，目标区域需要重复地出现多幅图像中，因此，本发明引入判别式学习过程，对图像集中的共有的显著性区域进行协同分割提取。而显著性检测过程和判别式学习过程两者是相互影响，共同提升的过程。显著性检测过程的输出结果可以对判别式学习过程提供指导，而判别式学习的输出结果又可以对图像的显著性检测提供指导信息，本发明将显著性检测过程和判别式学习过程联合到统一的框架下，进行联合优化，最终获得共有显著性区域作为协同分割结果。针对上述优化过程，本发明提出了基于增广朗格朗日乘子法和梯度下降法的联合优化算法。

附图说明

图1是本发明联合显著性检测与判别式学习的目标前景协同分割方法的原理示意图；

图2是本发明联合显著性检测与判别式学习的目标前景协同分割方法的详细流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图对本发明做进一步详细说明。

本发明提出了一种联合显著性检测与判别式学习的目标前景协同分割方法，用以解决具有相似目标的多幅图像背景一致性较强的问题。最终的目标区域是图像数据集中的共有显著性区域，而那些非显著性区域以及具有显著性但非共有区域都将作为背景区域。本发明通过低秩矩阵分解可以有效地检测显著性区域，去除背景一致性的影响，而判别式学习可以提取出共有显著性区域。低秩矩阵分解与判别式学习过程在统一的框架下联合优化，两者相互影响，共同提升。最终，可以获得共有显著性区域作为目标前景区域。