[发明专利]基于超像素聚类的协同显著性检测方法

说明书

本发明公开了一种基于超像素聚类的协同显著性检测方法，通过构建超像素金字塔，使用超像素块来代替普通像素点，加速协同显著性计算，同时构建超像素金字塔可以获得不同尺度上的特征信息，保证协同显著目标的边界的准确性，在此基础上，使用聚类的方法进一步将超像素块分类，进一步加速了协同显著性的计算时间，最后使用协同显著图与显著图融合的方法得到最终的协同显著图，保证了协同显著目标的准确性。本发明获得的显著目标的边界轮廓定位更加准确，在时间和准确性上具有一定的优势。

技术领域

本发明涉及一种图像的检测处理方法，具体涉及一种图像的协同显著性检测方法，用于检测多幅图像中的共同显著区域。

背景技术

显著性检测是通过模拟人眼的视觉注意机制来快速检测出图像或视频种的感兴趣目标，而协同显著性检测的目的是检测多张图像或视频中相同或相似的显著性的区域。它在许多领域具有广泛的应用价值，如协同分割、视频前景检测、图像检索和目标跟踪等。近几年，伴随互联网与多媒体等技术的飞速发展，从多幅图像或多视频中，寻找相同或相似的显著性目标的协同显著性检测技术已逐渐成为一种新的需求，有效利用多幅图像的优势可以更好地对各个图像中的背景或干扰的显著性进行抑制。与单张图像相比，图像组内的多张相关图像包含更多丰富且有用的信息。但是，对多幅图像协同显著性检测的处理效率也提出了比单幅图像显著性检测处理效率更高的要求，迫切需要一种既准确又快捷的多幅图像协同显著性检测方法。

现有技术中，进行协同显著性检测的方法主要有两类，一类是首先对单幅图像进行显著性检测，在此基础上再计算协同显著性。这类方法对显著性检测的要求比较高，如果显著区域定位错误，那么协同显著性区域肯定会错误。而如果针对原始图像的每个像素点进行聚类判断，则随着图像数量的增加，聚类而带来的耗时也会不断增加。另一类方法是基于学习的协同显著性检测方法，将协同显著性检测问题看作每个像素点或区域的分类问题。这些方法首先采用任何现成的无监督显著性检测方法来提供初始估计，然后设计一个迭代自学习方案来学习协同显著对象的外观并逐渐调整协同显著图。但是深度学习框架巨大的计算量背离了协同显著性的研究目的，因此需要在时间复杂度上进一步优化。

超像素分割方法是指利用像素之间特征的相似程度将像素分组，可以获取图像的冗余信息，在很大程度上降低后续图像处理任务的复杂图。将超像素分割方法应用于协同显著性检测，有可以减少计算时间。但是，目前将超像素分割方法结合到协同显著性检测中时，不具有内容感知，并且没有在多个尺度上进行超像素分割，所以显著目标的边界轮廓很难准确定位。

因此，如何既能保持高准确率又能保证计算代价小是目前协同显著性检测急需解决的一个问题。

发明内容

本发明的发明目的是提供一种基于超像素聚类的协同显著性检测方法，在保证显著性检测的准确性的同时，减少计算时间，以适应协同显著性检测的需求。

为达到上述发明目的，本发明提出了一种基于超像素聚类的协同显著性检测方法，通过构建超像素金字塔，使用超像素块来代替普通像素点，加速协同显著性计算，同时构建超像素金字塔可以获得不同尺度上的特征信息，保证协同显著目标的边界的准确性，另外，使用聚类的方法进一步将超像素块分类，进一步加速了协同显著性的计算时间，最后使用协同显著图与显著图融合的方法得到最终的协同显著图，保证了协同显著目标的准确性。

具体采用的技术方案是：一种基于超像素聚类的协同显著性检测方法，包括以下步骤：

(1)构建超像素金字塔图像：

(1a)输入原始图像组数据，构建三层的高斯金字塔，其中，第一层图像由原始图像进行高斯平滑得到，第二层图像由第一层图像降采样后进行高斯平滑得到，第三层图像由第二层图像降采样后进行高斯平滑得到；

(1b)利用基于内容感知的超像素分割方法对每层图像进行超像素分割，对长宽分别为width和height像素的图像，根据图像的大小动态设定超像素块的数目，超像素块数得到超像素的金字塔图像；