[发明专利]一种基于吸附模型的图像显著性检测方法

说明书

本发明公开了一种基于吸附模型的图像显著性检测方法，包括下述步骤：首先来确定候选的显著性区域和背景区域，并通过形状滤波和边界滤除来优化候选的显著性区域和背景区域候选显著性区域计算；然后通过基于漏电的积分放电模型的胜者得全网络来确定视觉场景中的关注焦点；使用基于关注焦点和背景区域的吸附过程来判断候选的显著性区域是否是显著的；最后通过度量显著性区域和背景区域的颜色差异和空间距离来度量显著性区域中每个像素点的显著性值，并通过显著性传播和高斯滤波优化显著性图。本发明选用ASD数据集进行测试，能够保证显著图结果符合要求，在其它各类自然图像上也均能得到准确度高的显著图结果。

技术领域

本发明属于图像处理领域，特别涉及自然彩色图像的显著性检测方法。

背景技术

随着移动互联网的高速发展，图像，语音以及视频等信息每天的产量是数以万计。面对这些海量数据信息的日益增长，利用计算机系统来处理和分析显得尤为重要。针对图像及视频这类信息的处理，如何快速准确地从大量的视觉信息资源中找到并提取出与任务相关的那部分信息，也即视觉显著性检测问题，一直是计算机视觉和信息处理研究中的热点之一。图像显著性检测就是检测出视觉场景中含有最多信息量，最能引起人眼关注的区域或目标。最近几年，图像显著性检测在计算机视觉中占据越来越重要的地位，很多数字图像处理问题中都会使用到显著性检测。研究表明视觉显著性检测与人类的视觉关注系统有很大的关系。视觉关注系统认为，当人们观看场景时，人眼会先聚焦于关注焦点，接着会进一步对关注焦点周围的信息进行分析和处理，并得到更多有关显著性区域或目标的信息，然后视觉关注系统会继续搜索视觉场景，来判断是否还有其他的关注焦点。图像的显著性区域指的是人类视觉系统最关注的图像区域。视觉显著性跟人类视觉系统如何感知和处理视觉刺激紧密相关。人类视觉系统通过对图像中区域的颜色、纹理、形状等特征信息处理，可以很容易地判断图像中的显著性区域，并关注到图像的重要部分。

显著性检测于上个世纪九十年代被首次提出，到现在已发展成为计算机视觉分析领域中的一个很重要的分支。最近几年，越来越多的学者投入到视觉显著性检测的研究工作中来，涌现了大量的显著性检测方法，大致分为基于任务驱动的自顶向下的方法和基于数据驱动的自底向上的方法。自顶向下的方法需要一些特殊的先验知识；自底向上的方法不需要先验知识，主要通过局部和全局的特征对比来检测出图像的显著性。由于自顶向下的方法需要一些先验知识，使得这种类型的显著性检测方法的计算速度通常较慢，而且正确性不高。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于吸附模型的图像显著性检测方法。该显著性检测方法是基于吸附模型的图像显著性检测方法，算法实现效率高效，参照人工标记的显著性区域，提取的显著性区域精确、完整，具有良好的视觉效果。

本发明的目的通过以下技术方案实现：一种基于吸附模型的图像显著性检测方法，主要包括以下步骤：

S1、候选显著性区域计算；使用FCM算法分别对CIELab和CIEHSV颜色空间上的L,a,b,H,S颜色通道进行聚类，然后计算各个颜色通道上各个聚类的聚集度。根据聚集度的值，将各个聚类分为候选的显著性区域所在的聚类和背景区域所在的聚类。

S2、确定关注焦点；计算候选的显著性区域中各区域的聚集度，颜色差异度，关注度以及中心偏移度，利用聚集度，颜色差异度，关注度以及中心偏移度来度量区域的显著性，然后根据各个候选的显著性区域的显著性构建一幅显著性图，将此显著性图作为基于漏电的积分放电模型的胜者得全(WTA)网络的输入，多次运用WTA网络，得到多个获胜点。对获胜点所在的候选显著性区域进行投票来确定人眼的关注焦点。

S3、显著性区域吸附过程；对于候选的显著性区域中的每一个区域，计算背景区域和关注焦点分别对其的吸附力，通过判断两者对其吸附力的大小来确定区域是否是显著性的。如果视觉场景中有多个关注焦点，则进行多次吸附过程，最后将多次的吸附结果合并起来。