[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

说明书

本发明公开了一种基于图模型构建与标签传播的视觉显著性检测算法，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)；步骤2、进行背景种子的标记；步骤3、构建传播所需的图模型；步骤4、完成基于背景种子的显著性标签传播。与现有技术相比，本发明在客观指标包括准确率、召回率、综合评价指标、平均绝对误差等和主观评价上都显著优于目前的方法。

技术领域

本发明涉及计算机视觉领域，特别是涉及一种视觉显著性检测算法。

背景技术

视觉显著性检测，即检测给定场景中最能引起人类视觉注意的区域或目标。利用视觉显著性检测技术，计算机可以模仿人类的观察与思考机制，尽可能不失真地来保留人类所感兴趣的区域，同时对其他区域进行压缩，以达到去除冗余信息、提高传输速率的目的。目前，已有的算法取得了一定的检测效果，但在算法效率和检测精确度等方面仍大有可为之处；此外，针对显著的区域集中分布在图像边缘的问题，现有技术往往不能成功地完成检测任务。

发明内容

基于上述现有技术，本发明提出了一种基于图模型构建与标签传播的视觉显著性检测算法，在给定的一幅输入图像中模仿人类的选择性注意机制，标记出最能引起人类视觉注意的区域，并根据标记结果生成显著图。

本发明的一种基于图模型构建与标签传播的视觉显著性检测算法，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CIELAB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，采用了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：