[发明专利]一种结合似物性检测的贝叶斯显著性检测方法

说明书

技术领域

本发明属于计算机数字图像处理领域，涉及一种结合似物性检测的贝叶斯显著性检测方法，可以广泛应用于图像分类、目标区域检测、图像压缩、目标定位、目标跟踪等领域。

背景技术

显著性检测目前是计算机视觉领域的一个研究热点，其目标在于定位图像中最吸引人类视觉注意的像素或区域的位置，因其高效、精准的特点，而被广泛应用于图像分割、图像缩放、目标跟踪、目标检索等领域。显著性检测通过图像中如颜色、梯度、边缘等信息判断某区域的视觉独特性、不可预测性和稀有性来预测视觉刺激，是许多作为关注图像感兴趣区域的计算机视觉任务的预处理步骤，因此研究显著性检测具有重要意义。

根据信息处理的视角，目前的显著性检测算法主要分为两类：自下而上的显著性检测方法和自上而下的显著性检测方法。自上而下的方法关注特殊目标类，显著图包含目标出现场景中的概率信息，但需要利用监督学习方法通过大量包含该类别目标图像获取显著性信息。而自下而上的方法更关注低阶信息如某像素或区域与周围区域的对比度，这些方法不需要任何关于显著性目标的先验信息。但是现存的自下而上的显著性检测模型仍然存在一些问题，比如不能均匀突出显著性目标、在杂乱背景下给予不相关低阶视觉刺激更高的显著值而导致检测精确度较低等。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，针对显著性目标检测中不能均匀突出显著性目标、在杂乱背景下给予不相关低阶视觉刺激更高的显著值而导致检测精确度较低的问题，本发明提出一种结合似物性检测的贝叶斯显著性检测方法。

本发明首先使用似物性检测算法对超像素进行分析来粗略提取前景区域，然后通过超像素聚类获取图像低阶和高阶显著信息，最后通过贝叶斯框架整合这两部分信息获得最终的显著图结果。实验证明，该算法通过结合物体性检测的先验信息和图像自身包含的显著信息，能在混乱背景下准确的检测出显著性目标，有效提高显著性目标检测的均匀性。

技术方案

一种结合似物性检测的贝叶斯显著性检测方法，其特征在于步骤如下：

步骤1、获取基于似物性检测的前景粗区域：将图像宽和高上的像素个数限制在{10,20,40,80,160,320}的范围内，获得36个不同尺寸的图像；以8×8的窗口在图像上进行滑动，通过二值化NG特征得到每一个窗口的BING特征，并借助二值化后的拉普拉斯-高斯滤波器算子计算每个像素的物体性分值，获取物体性分值图；

采用SLIC算法分割出超像素，计算每个超像素所包含的像素的物体性分值之和，并以此作为该超像素的物体性分值，最后采用自适应阈值分割算法将超像素分割出来作为目标前景的粗区域；

对于每个窗口，采用64维图像梯度范数特征，即NG特征作为图像特征；

步骤2、采用拉普拉斯稀疏子空间聚类法将多个超像素聚类为子区域：

对于数据点其在子空间可以用下式来表示：

若U＝{u₁,u₂,...,u_N}表示空间中所有点的矩阵，则上式中表示为移除u_i数据点所在列的矩阵，表示映射u_i与空间中所有点的关系的稀疏矩阵；

步骤2.1、根据目标函数subject to c_i^T1＝1初始化c_i，其中表示引入噪声η_i的点，λ为常量，通常取λ＝0.01；

步骤2.2、计算常量矩阵W：计算每个超像素的平均特征向量u，根据下式计算描述超像素间关系的协方差矩阵M：

式中，表示在当前超像素中第k个像素的第i个特征,u_i是该超像素中所有像素的第i个特征的平均值；

然后通过协方差矩阵M计算两两超像素的距离d(M_i,M_j)：

其中，为|λM_i-M_j|＝0的广义特征根，则描述两个超像素的相似矩阵W(M_i,M_j)为：

W(M_i,M_j)＝exp(-ρd(M_i,M_j))

上式中，ρ是一个常量；

步骤2.3、计算描述超像素间映射关系的稀疏系数矩阵C

求解映射某点与空间中其他点数据的稀疏矩阵的最优解c_i：