[发明专利]一种利用图像边界信息和区域连通性的显著对象检测方法

说明书

技术领域

本发明属于图像检索和图像识别技术领域，涉及一种显著对象检测方法，具体地说，涉及一种利用图像边界信息和图像背景连通性先验来进行的一种新的显著对象检测方法。

背景技术

人类视觉系统具有的一个非凡的能力就是视觉注意，即能够快速地从复杂场景中选择出重要的信息进行进一步地加工处理，而忽略其他信息。显著对象检测的目的是通过建模生成一个显著图来预测人在观看图像时图像中最能吸引人的注意的对象，显著图中的每一个像素点的亮度代表该处的显著值，显著值越大，说明此处受到人关注的可能性越大。显著对象检测是计算机视觉中的一个基础问题，在图像缩放、图像压缩、对象识别和图像分类等领域具有广泛的应用前景。

当前已有的显著对象检测方法：

1、基于生物学假说的显著性检测方法。该方法提取了颜色、亮度和方向特征，基于生物视觉的拮抗特性，设计了中央-周边差算子来计算特征的局部对比度，得到特征显著图；然后依据特征整合理论，对特征显著图进行等权线性融合。该方法倾向于将具有高局部对比度的小对象进行高亮，但是不能够均匀地将整个显著对象检测出来，对于背景中具有高对比度的边界区域会被错误地检测出来。

2、基于全局对比度的显著对象检测方法。该类方法计算当前像素/区域的特征与图像中的剩余像素/区域特征之间的对比度，对对比度进行空间距离加权得到当前像素/区域的显著值。相比于受生物视觉启发的基于局部对比度的显著性计算方法，该类方法能够获得更好的检测精度，但是对于背景中具有高对比度的像素/区域，能够被错误地检测出来。

3、基于认知准则的显著对象检测方法。该类方法根据格式塔心理学的图/底组织规律，认为对象区域的特征具有特异性，并且在空间上对象区域具有高紧致性，而背景区域倾向于蔓延整个图像区域。另外，对象区域由于与背景区域之间存在高对比度，因此从对象区域到达图像的边界区域所花的代价大；而从背景区域具有连续性和同源性，因此，背景区域到达图像的边界区域所花的代价小。通过计算超像素到图像边界的最短路径，就可以计算出超像素的显著值。但是，该类方法会将背景中的局部高对比度的小尺度对象误检，而自然场景图像的背景中常常包含了具有高局部对比度的小尺度对象。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于图像背景信息和区域多级连通性的快速显著对象检测方法，该方法考虑了区域的不同连通性，并且学习了通过不同连通性计算得到的显著值的融合方式，该方法具有高的检测准确率，并且速度快，能够有效地抑制背景中具有高局部对比度的小尺度对象，并且检测出的显著对象区域具有均匀的显著值和清晰的边缘。

为了达到上述目的，本发明采用的技术方案如下：

一种利用图像边界信息和区域连通性的显著对象检测方法，包括以下几个步骤：

步骤1：输入待检测的图像；

步骤2：对待检测的图像进行超像素分割，得到超像素集合V＝{v₁,v₂,...,v_M}，并计算每个超像素v_i的平均Lab颜色特征向量x_i；

v_i表示第i个超像素，v_i∈V，M为超像素的个数；

将图像分割成多个子区域，每一个子区域由表观相似且空间相近的像素构成，每一个子区域叫做超像素；

步骤3：根据超像素的空间拓扑结构及三个不同的邻域范围，对每个超像素创建三个无向加权图，包括一环邻接图、二环邻接图及三环邻接图，分别记为G¹、G²和G³；

其中，三个无向加权图中的节点为超像素，节点与相邻节点之间形成的边的权重为两相邻节点对应的两平均Lab颜色特征向量之间的距离；

所述三个不同的邻域是指一环邻域、二环邻域及三环邻域；

一环邻域，超像素v_i的一环邻域为与其在空间上相邻接的超像素v_j的集合，即

二环邻域，超像素v_i的二环邻域包括超像素v_i的一环邻域中的超像素以及超像素v_i的一环邻域中包含的超像素的一环邻域，即

三环邻域，超像素v_i的三环邻域包括超像素v_i的二环邻域中的超像素以及超像素v_i的二环邻域中的超像素的一环邻域，即