[发明专利]一种基于流形正则化支持向量机的图像显著性检测方法

说明书

本发明提供了一种基于流形正则化支持向量机的图像显著性检测方法，属于计算机视觉技术领域。本发明提供一种基于半监督的流形正则化支持向量机的图像显著性检测方法，无需人工标记的真值，只需少量的训练样本，而且分别从图像全局和局部的角度进行显著目标检测。本发明的方法采用少量伪标记样本进行训练，减少了人工工作量和模型训练成本；分别从图像全局和局部的角度构建流形正则矩阵，保证了检测出的显著目标的突出性和完整性；联合优化方法进一步优化了支持向量机模型预测的显著性检测结果，使得检测更加准确，目标区域更加高亮平滑；在一些特殊的图像中，比如显著目标尺寸过大或过小、多目标的图像中，本发明的方法也可以较好地检测出来。

技术领域

本发明属于计算机视觉技术领域，涉及图像信息处理的技术领域，特别涉及到一种基于流形正则化支持向量机模型的图像显著性检测方法，适用于静态图像的显著目标检测。

背景技术

随着计算机技术的发展及数码电子产品的普及，图像资源越来越丰富，满足了人们对图像信息的大量采集与应用，但信息繁杂冗余的问题也随之而来。受生物视觉系统高效的视觉信息处理机制原理启发，计算机视觉领域的图像显著性检测应运而生。图像场景中具有显著性的事物基本上富含了本幅图像的主要信息，越来越多的研究人员开始探寻在大量图像中根据图像特征(比如，颜色、空间位置、纹理等信息)提取有代表性信息从而间接有效地代表原有图像，进而较快速高效准确地检测出图像或场景中的显著性物体。图像显著性检测作为预处理部分，可以应用于计算机图像检索、图像分割、自适应压缩、目标定位、感兴趣区域检测、图像匹配等，有很大的发展前景。

尽管图像显著性检测领域已经取得了很大的研究成果，但仍然有很多问题没有解决，比如图像中含有多个显著目标、目标尺度过大或过小问题，有些算法的检测结果还不太准确。除此之外，有的显著性检测算法采用监督的方式，需要大量的人工标记的真值训练样本来训练检测模型，成本比较高；有的显著性检测算法仅从图像局部或者图像全局的角度进行显著性检测，导致检测出的显著目标不完整或者目标不够突出。

发明内容

本发明所要解决的技术问题是：弥补上述现有算法的不足，提供一种基于半监督的流形正则化支持向量机的图像显著性检测方法，无需人工标记的真值，只需少量的训练样本，而且分别从图像全局和局部的角度进行显著目标检测。

本发明的技术方案：

一种基于流形正则化支持向量机的图像显著性检测方法，步骤如下：

A、根据先验知识计算得到初始的显著性图

A1、将给定图像分割成100～300个超像素，提取所有超像素的坐标、颜色、文理特征，得到每个超像素的75维特征向量；

A2、采用随机森林方法，学习图像中所有超像素的稠密关联矩阵A；

A3、采用测地目标预测方法，产生多个给定图像的目标预测二值图，基于稠密关联矩阵A，分别根据边界先验和平滑先验计算每个目标预测二值图中白色部分对应的图像区域的背景分值和目标分值计算公式如下：

式(1)中，B表示位于图像边界的超像素的集合，R_i表示位于目标预测二值图i内图像的超像素的集合，u和v分别表示两个超像素；

A4、将所有的目标预测二值图的背景分值和目标分值分别进行归一化，按照公式(2)计算每个像素的显著性值；

式(2)中，N表示目标预测二值图的数目，i表示第i个目标预测二值图，如果像素p∈R_i，δ_p＝1，否则δ_p＝0；将所有的像素的显著性值都进行归一化，得到初始的显著性图S_in，如图2(b)所示。

B、根据初始显著性图选择伪标记样本和未标记样本