[发明专利]一种基于低秩表示的复杂背景图像显著性检测方法

说明书

本发明公开了一种基于低秩表示的复杂背景图像显著性检测方法。通过在低秩显著性模型中增加稀疏子图间的距离约束，增大显著性目标与背景目标的差距，稀疏子图中融合先验知识权重，从而在矩阵分解时增强显著性目标信息。本发明可提高显著性目标与背景目标的分辨能力，可用于大面积显著性目标及背景复杂的图像检测。

技术领域

本发明涉及图像显著性检测领域，更具体地，涉及一种基于低秩表示的复杂背景图像显著性检测方法。

背景技术

图像显著性检测的标准是能够突出最为显著的物体，一致的高亮整个显著物体，能精确符合物体的边界，同时具有较高的抗噪性。

低秩表示是一种能够捕获图像数据低维结构的方法，假设图像的背景特征属于同一低维子空间，而将较小尺寸的显著性目标看成是稀疏噪声，因此利用低秩矩阵恢复算法可以将图像的特征矩阵分解为低秩矩阵和稀疏矩阵。

近期出现了一些基于低秩矩阵恢复的显著性检测算法。基于低秩表示的显著性检测方法在应用中能够取得成功，但仍有不足之处，特别是当图像中的显著目标大小不一致并受到复杂背景影响时，现有的检测方法易受到纷乱的颜色、复杂的表面纹理及多变背景的影响。

发明内容

本发明的目的在于通过谱聚类实现稀疏子图划分，增加稀疏子图约束项增强显著特征的空间结构信息，添加图像先验知识融合进一步提高检测能力，并通过低秩矩阵分解得到显著目标矩阵，最终计算出图像的显著图。

为实现上述目的，本发明的技术方案如下：

一种基于低秩表示的复杂背景图像显著性检测方法，其特征在于，包括以下步骤：

步骤S1：利用超像素分割方法对输入图像进行分割，分割后的输入图像由n块不重叠的超像素P＝{P₁,P₂,…,P_n}组成，对分割后的输入图像进行特征提取得到特征矩阵F；

步骤S2：构建分割后的输入图像的图结构G，并通过谱聚类方法获得图结构G的稀疏子图N；

步骤S3：定义并求解SDSC(Saliency Detection based on low rankrepresentation with Subgraph Constraint)低秩模型，通过权重的形式将先验知识融入到SDSC低秩模型中，SDSC低秩模型为：

步骤S4：利用步骤S3中计算得到的稀疏矩阵S计算各个超像素的显著值：

Sal(P_j)＝||S_j||₁

在以上步骤中，n为输入图像超像素的个数，L为低秩矩阵，S为稀疏矩阵，N_i表示稀疏子图N中的第i块稀疏子图块，是矩阵S的子矩阵，与稀疏子图块N_i相对应，ω_i代表稀疏子图块N_i是显著目标的先验概率，α为模型参数，为矩阵核范数，为p范数，1≤p<∞。

进一步地，所述步骤S1中，对输入图像进行特征提取包括提取包括RGB颜色、饱和度与色度的颜色特征；利用Gabor filter滤波器对3通道的4个方向提取纹理特征；利用Steerable pyramids滤波器对3通道的4个方向进行滤波，提取边缘特征。

进一步地，所述步骤S3中，ω_i先验知识包括位置先验、颜色先验和背景先验。

进一步地，所述步骤S3中，对于第j个超像素P_j，其先验知识为τ_j∈[0,1]，代表着超像素P_j是显著目标的概率是τ_j，则稀疏子图块N_i的先验概率为：