[发明专利]一种基于深度选择性差异的显著性检测方法

说明书

本发明提供了一种基于深度选择性差异的显著性检测方法。该方法首先获取深度图像作为输入，然后对每一张深度图像进行平滑处理，接着计算每一个分割区域的选择性差异值，最后依据中心偏好优化初始显著图，从而得到最终的显著性检测结果。应用本发明，不仅解决了单纯基于彩色图无法检测到与背景具有相似视觉特征物体的问题，还解决了基于深度图像忽略底部背景区域从而导致误检的问题。本发明适用于深度图像的显著性检测，计算复杂度较低，检测结果准确。本发明在图像处理和计算机视觉领域有着广泛的应用。

技术领域

本发明属于图像处理和计算机视觉领域，涉及双目图像与显著性物体检测方法，具体为一种基于深度选择性差异的显著性检测方法。

背景技术

视觉显著性是指在视觉处理的早期阶段，图像中的显著区域迅速抓住观众注意力的主观感知。显著性检测在计算机视觉领域有着广泛的应用，包括目标检测与识别、图像检索、图像压缩和图像重定向等。

显著性检测的目的在于模仿人类视觉感知，迅速且准确地定位图像中最为显著的物体。显著性检测过程主要依赖于视觉信息的收集和特征的提取，目前，大多数显著性检测方法以彩色图像作为输入，基于颜色、形状、方向、纹理和曲率等视觉特征对比计算显著性，当图像中显著物体具有以上至少一种鲜明的视觉特征时，可以有效检测到显著物体，反之，当显著物体与背景具有相似视觉特征时，由于缺乏3D空间信息，将得不到有效的检测结果。

三维视觉信息为显著性检测提供了非常有用的深度线索，利用深度信息可以识别出与背景具有相似视觉特征的显著物体。深度图像不同于彩色图像，重点体现在深度特征的提取。基于深度图像更容易检测到最为显著的物体，这是基于深度图特性和基本假设：显著性区域相比背景区域具有很强的对比度。这种假设有其局限性，其忽略了深度图像中底部背景区域，从而将其误检为显著。

综上所述，当目标与背景具有相似视觉特征时，单纯基于彩色图像的显著性检测方法效果不好，并且目前基于深度图的显著性检测方法由于忽略底部背景区域从而导致误检。因此，当前需要一种新的基于深度图的显著性检测方法，以解决以上问题。

发明内容

本发明要解决的问题是：在图像的显著性物体检测技术中，单纯以彩色图像作为输入，无法有效检测到与背景具有相似视觉特征的物体；而传统基于深度图的显著性检测方法由于忽略底部背景区域而导致误检。需要提出一种新的显著性检测方法，提高检测效果。

为了解决上述问题，本发明提供一种基于深度选择性差异的显著性检测方法，将图像中的深度信息加入到显著性检测中，并计算其选择性差异值，从而得出显著性检测的结果，包括以下步骤：

1)获取深度图像，并进行平滑处理；

2)计算深度图像中每一个超像素的选择性差异值，具体为：对每个超像素，首先，计算与其邻域内深度比自身大的超像素之间的深度差异值，并将这些差异值累加作为该超像素的全局选择性差异值；然后，计算该超像素内所有像素与其所在行背景深度值的差异值累加和，作为该超像素的局部选择性差异值；将全局选择性差异值和局部选择性差异值的乘积作为该超像素的选择性差异值，从而得到初始显著性图；

3)结合中心偏好优化初始显著性图，得到最终的显著性检测结果。

作为优选，步骤2)为：首先利用分割算法对彩色图像进行超像素分割，超像素的数量设置为图像对角线上像素点的个数；然后，计算每个超像素的选择性差异值，将选择性差异值归一化到[0,255]区间，并将其分配给超像素内每个像素点，构成初始显著性图。

作为优选，计算选择性差异值具体为：

2.1)计算全局选择性差异值时，首先设定邻域半径，在邻域内，根据深度信息，分别计算该超像素质心处像素点与邻域内深度值比其自身大的超像素质心点的深度差异值，将深度差异值累加和作为该超像素的全局选择性差异值，其中设置L为邻域半径，参数L为图像中对角线上像素点个数的30％,其描述为：