[发明专利]基于FCN与低秩稀疏分解的感兴趣区域检测方法

权利要求书

1.基于FCN与低秩稀疏分解的感兴趣区域检测方法，包括下列步骤：

步骤1：对原图像进行超像素聚类，并提取每个超像素的颜色、纹理和边缘特征，据此构成特征矩阵；

步骤1-1：提取图像的R、G、B三通道灰度值以及色调和饱和度描述图像的颜色特征；

步骤1-2：采用可控金字塔滤波器对图像作多尺度和多方向分解，选取3个尺度、4个方向的滤波器，得到12个响应作为图像的边缘特征；

步骤1-3：采用Gabor滤波器提取不同尺度、不同方向上的纹理特征，选取3个尺度、12个方向，得到36个响应作为图像的纹理特征；

步骤1-4：利用mean-shift聚类算法对图像进行超像素聚类，得到N个超像素{p_i|i＝1，2，3，…，N}，计算每个超像素中所有像素特征的均值表示该超像素的特征值f_i，所有超像素特征共同构成特征矩阵F＝[f₁，f₂，…f_N]，F∈R^d×N；

步骤2：基于梯度下降法利用MSRA标记的数据库学习得到特征变换矩阵，在此基础上对特征矩阵F进行特征变换；

步骤2-1：构造标记矩阵Q＝diag(q₁，q₂，…，q_N)∈R^N×N，如果超像素p_i在人工标注的显著性区域内，q_i＝0，否则q_i＝1；

步骤2-2：根据以下优化模型，利用数据库中K幅图像学习特征变换矩阵T，

s.t.||T||₂＝c

其中，为第k幅图像的特征矩阵，N_k表示第k幅图像的超像素个数，为第k幅图像的标记矩阵，||·||_*表示矩阵的核范数，即矩阵的所有奇异值之和，||T||₂表示矩阵T的范数，c是一个常数，阻止T任意变大或变小；

步骤2-3：利用梯度下降法求解梯度下降方向：

步骤2-4：利用以下公式更新特征变换矩阵T，直到算法收敛至局部最优，

其中α为步长；

步骤3：利用全卷积神经网络学习得到高层语义先验知识；

步骤3-1：将训练图像标记成前景和背景两类；

步骤3-2：训练网络得到FCN-8s模型；

步骤3-3：对于每一幅待处理图像，利用训练好的FCN-8s模型进行处理，输出基于FCN的语义先验知识，据此构建高层语义先验知识矩阵P∈R^N×N：

其中pr_i表示FCN测试结果图像中超像素p_i内所有像素的均值；

步骤4：利用学习得到的特征变换矩阵T和高层语义先验知识P对特征矩阵F进行变换，得到特征变换后的矩阵，

A＝TFP

其中，F∈R^d×N是特征矩阵，T∈R^d×d是学习得到的特征变换矩阵，P∈R^N×N是高层先验知识矩阵；

步骤5：利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解，求解以下公式：

s.t.A＝L+S

其中，A∈R^d×N是特征变换后的矩阵，L∈R^d×N表示低秩矩阵，S∈R^d×N表示稀疏矩阵，||·||_*表示矩阵的核范数，即矩阵的所有奇异值之和，||·||₁表示矩阵的范数，即矩阵中所有元素的绝对值之和，由以下公式计算出显著图：

Sal(p_i)＝||S^*(：，i)||₁

其中，S^*是稀疏矩阵的最优解，Sal(p_i)表示超像素p_i的显著值，||S^*(：，i)||₁表示S^*的第i列向量的范数，即向量中所有元素的绝对值之和。