[发明专利]基于图模型构建与标签传播的视觉显著性检测算法

权利要求书

1.一种基于图模型构建与标签传播的视觉显著性检测方法，其特征在于，该方法包括以下流程：

步骤1、进行输入图像的预处理：将输入图像分割为若干个超像素s_i,i∈1～K，其中，K为超像素的个数；

步骤2、进行背景种子的标记：

首先，计算所有超像素在图像的全局中与其它超像素的对比度S_c(s_i)：

其中，D_c(i,j)表示超像素s_i与s_j在CIE LAB颜色空间的像素特征平均值之间的欧式距离，D_p(i,j)表示超像素s_i与s_j的像素平均位置坐标之间的欧式距离；δ_p为坐标位置控制参数；

其次，采用高斯平滑算子来拉大S_c(s_i)中背景区域与其他区域之间的显著值的差距：

S(s_i)＝S_c(s_i)*G(s_i) (2)

其中，为超像素s_i的中心坐标，S(s_i)为初始估计的显著值，G(s_i)为高斯平滑算子，(x^center，y^center)为高斯平滑算子的中心坐标，S_c(s_i)为超像素s_i在图像中与其它超像素的对比度，i，j分别表示第i个超像素s_i与第j个超像素s_j；

接着，设定分割阈值T，将初始估计的显著值S(s_i)低于阈值T的超像素分割出来并添加到背景种子集合中，其中L即Label，表示超像素被标记为种子；B即Background，表示超像素被标记背景种子；

步骤3、构建传播所需的图模型：

首先，构建无向图G＝(V(G),E(G))，V(G)为节点集，即超像素在无向图中由节点v_i表示，E(G)则表示节点之间的边集，其权重ω_i,j即为两个超像素之间的特征相似度：

其中，表示两个数据节点的特征向量之间的欧式距离；

其次，使图像四边上的任何一对边界节点均相连，从而使得整幅图成为一个闭环图；

再次，对超像素进行无监督聚类，使得具有相同类标签的超像素两两相连；选出包含标记种子的类，并强制相应类之间的超像素不能通过边彼此连接；

步骤4、完成基于背景种子的显著性标签传播：

首先，将节点集V(G)划分为标记节点集{v₁,v₂…,v_l}和未标记节点集{v_l+1,v_l+2…,v_l+u}，其中标记节点的标记值固定为“1”，未标记节点的标记值初始化为“0”；

其次，计算标记值从一个节点传播到另一个节点的传播概率：

其中，l为标记节点的个数，u为未标记节点的个数，q表示第q个节点；

接着，将节点间的传播概率归纳为矩阵形式，传播概率矩阵表示为：

其中，P_uu为未标记节点与未标记节点之间的传播概率，P_ul为未标记节点与标记节点之间的传播概率，P_lu为标记节点的标记值被传播到未标记节点的传播概率，P_ll为标记节点之间的传播概率；

最后，将节点的标记值f划分为f＝(f_l，f_u)，其中f_l为标记节点的标记值并始终固定为“1”，f_u为未标记节点的标记值并初始化为“0”；经多次迭代式至收敛，得到所有未标记节点的f_u：

f_u←P_uu*f_u+P_ul*1 (8)

所有超像素的标记值f∈[0,1]，f表示超像素属于背景的概率，相应地，1-f则表示为超像素属于显著性区域的概率，即显著图。