[发明专利]一种迭代协同显著性检测方法

说明书

一种迭代协同显著性检测方法，包括：对给定的RGBD图像组数据进行初始化，得到初始RGB显著性检测结果；补机制：通过深度传播和显著性传播实现初始RGB显著性检测结果的RGBD转换和优化；删机制：定义超像素级的相似性测度来表示两个超像素之间的关系，利用共有概率函数计算每个超像素区域属于共有区域的概率，得到协同显著性检测结果；迭代机制：判断迭代次数是否超过最大迭代次数，如果超过，则直接终止迭代，否则判断前后两次迭代输出结果的差异，如果差异小于预先设定的阈值，则中止迭代，否则进入下一次迭代过程。本发明可以准确提取图像组中的共有显著性目标，背景抑制能力强，显著性目标轮廓清晰，具有较好的可扩展性。

技术领域

本发明涉及图像处理、立体视觉技术领域，尤其涉及一种迭代协同显著性检测方法。

背景技术

人类视觉感知系统可以自动感知场景信息，定位重要目标和区域。视觉显著性检测技术希望通过模拟人类视觉感知系统使得计算机也具备自动定位显著性区域的能力。作为计算机视觉领域的一项重要预处理技术，视觉显著性检测已广泛应用于检测、编码、增强、压缩等领域。经过多年的发展，RGB图像的显著性检测技术已日趋成熟，许多算法获得了十分优异的性能。相比之下，面向RGBD图像的显著性检测技术起步较晚，相关算法尚不成熟。近年来，随着深度传感器的发展和成像技术的进步，RGBD数据的获取方式变得更加高效、便捷，这无疑为RGBD显著性检测技术提供了强大的数据支持。如何有效利用深度信息辅助视觉显著性检测成为当前研究的一个热点。

人类视觉感知系统就像一个过滤器，可以自动过滤场景中的无用信息，将注意力集中到显著性区域上并进行下一步处理。在计算机视觉领域，已经提出了许多显著性检测的方法来模拟人类的视觉感知系统，旨在使计算机可以自动捕获图像中最显著性、信息最丰富的区域。该技术已被广泛应用于各种视觉任务，如图像检索、感知增强、前景注释、图像分割、图像质量评估和图像重定向等。目前，现有的RGB图像显著性检测模型大多专注于从单一的RGB图像中检测出显著性对象，并已经获得了较好的算法性能。实际上，人类在对场景进行感知时，除了获取颜色、形状等外貌信息外，还可以感知场景的深度信息，即景深。随着成像设备的发展，场景深度数据的获取方式变得更加快捷、便利。这为针对RGBD数据的相关研究工作奠定了数据基础。作为彩色数据的补充，深度数据可以提供许多有效信息，如位置关系、目标形状等，进而提升任务性能。

大数据时代的来临，使得各种数据呈现井喷式增长。与以往不同，人们需要同时处理多幅图像或视频数据。近年来，作为一个新兴的和具有挑战性的新课题，协同显著性检测算法获得广泛的关注。协同显著性检测算法除了要求检测出显著性目标外，还要求其在多张图像中是共有的。因此，图像组中各图像之间的关系在协同显著性检测中起着至关重要的作用。

Fu等人利用融合多线索的聚类方法提取图像组中的共有显著性目标。Tao等人将低秩约束引入协同显著性检测中，提出图像组的共有显著性目标。Cong等人结合多约束匹配和交叉标签传播实现了RGBD协同显著性检测。Song等人基于Bagging聚类算法实现了RGBD图像的协同显著性检测。

发明人在实现本发明的过程中，发现现有技术中至少存在以下缺点和不足：

现有技术中的方法往往重新设计一种新的RGBD协同显著性检测模型，而未充分利用现有的RGB显著性检测算法；现有方法通常采用管状模型直接完成显著性检测，而缺少迭代循环优化机制。

发明内容

本发明提供了一种迭代协同显著性检测方法，本发明通过深入挖掘RGBD图像的深度信息，设计一种迭代的RGBD协同显著性检测模型，提取图像组中的共有显著性目标，详见下文描述：

一种迭代协同显著性检测方法，所述迭代协同显著性检测方法包括以下步骤：

对给定的RGBD图像组数据进行初始化，得到初始RGB显著性检测结果；

补机制：通过深度传播和显著性传播实现初始RGB显著性检测结果的RGBD转换和优化；