[发明专利]一种基于多特征扩散的图像显著性检测方法及终端

说明书

本发明提供了一种基于多特征扩散的图像显著性检测方法及终端，在选择种子节点时，不将所有处于图像边缘的节点都默认为背景节点，而是从整体考虑，通过融合背景先验、颜色先验、位置先验这三种先验算法作为图像的高层先验特征来选取种子节点，以避免边缘处的显著性物体都被检测为背景的情况。最后，提取图像的多层特征构造不同的扩散图和扩散矩阵，从多个角度反映节点的相似性，并非线性融合由图像的中、高层特征分别获得的相应显著图得到最终显著图。在常用的数据集上与现有部分经典的显著性物体检测算法相比，本发明可提高图像显著性检测的准确性，解决了现有技术中对显著性物体检测不突出且背景区域不能被很好抑制住的问题。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于多特征扩散的图像显著性检测方法及终端。

背景技术

视觉显著性是指图像中最能引起人类视觉注意的部分信息，它的目标是识别图像中在视觉上最突出的物体或区域，其检测结果主要表现为二值化分割图像的前景区域和背景区域。它能有效提取图像的前景目标，降低场景分析的复杂度。由于计算资源的限制，人类视觉系统能快速、有效地从当前看到的图景中定位最感兴趣的区域，为之后的进一步处理做准备。同样，为了提高计算效率，在进行图像检索、目标检测、图像传输等操作时，往往需要的是图像的某些重要的信息，而不是整张图像的信息。近几年来，视觉注意在神经科学和计算机视觉领域已经成为一个重要的研究热点。其中，一部分研究聚焦人类注视预测，其可用于研究人类视觉系统的机制，另一部分研究关注图像中最引人注意的区域，即显著性物体检测。显著性检测作为图像的预处理部分，在图像分割、目标检测、人的再识别、图像缩放、图像检索、视频压缩等方面得到了广泛应用。目前，视觉显著性物体检测模型主要分为两种。一种是自底向上的显著性物体检测模型，它主要是基于图像的颜色、纹理、边缘、空间位置等视觉底层特征，是一种无意识的、由数据驱动的方法。另一种是自顶向下的显著性物体检测模型，它主要基于图像的上下文信息、语义信息等视觉高层特征，或者根据具体的目的对自底向上的一些特征进行训练、监督学习，是一种有意识的、由任务驱动的方法。有些研究则是将上述两者模型结合起来进行显著性检测。近年来，基于图的自底向上的显著性检测受到极大的研究和关注。

2009年，V.Gopalakrishnan等人提出了一种随机游走图，首先从图中提取图像的全局属性，然后遍历马尔科夫链的平衡命中次数来确定最显著的节点，最后通过显著的种子节点来检测图像的显著性区域。2013年，Jiang等人提出了基于条件随机场的显著性物体检测模型，它以图为基础，通过图像的一系列特征与条件随机场的能量函数检测出图像的显著性区域。2015年，Li等人提出了一种用于显著性物体检测的标签传播算法(LabelPropagation Algorithm)。它是先将要处理的数据节点以它们的内在关系构建成一个图的结构，将其中部分包含重要信息的数据节点作为标签节点，然后根据节点特征之间的相似性程度，经过多次迭代，得到最终显著图。而Yang等人提出了基于拉普拉斯矩阵的扩散方法。此类方法将图像构造为图的形式并把初步的显著性值作为种子节点，然后利用扩散矩阵，使得每个节点根据与种子节点的相似性程度的差异得到不同的显著性值，从而将种子节点的显著性信息扩散到整个图像中。上述显著性检测存在着物体检测不突出、不能较好地抑制背景区域的问题。

发明内容

本发明所要解决的技术问题是：提供一种基于多特征扩散的图像显著性检测方法及终端，可解决现有技术中对显著性物体检测不突出且背景区域不能被很好抑制住的问题。

为了解决上述技术问题，本发明提供了一种基于多特征扩散的图像显著性检测方法，包括：

S1：通过超像素分割算法将图像分割为若干个超像素，并根据所述若干个超像素，构造得到第一图形结构；

S2：根据拉普拉斯的逆矩阵和谱聚类原理，得到所述逆矩阵的改进矩阵；根据第一图形结构，通过显著性检测方法中的背景先验算法、颜色先验算法和位置先验算法得到高层先验特征；根据所述第一图形结构及高层先验特征，生成种子节点；