[发明专利]一种基于变分自编码器的图像显著性检测方法

权利要求书

1.一种基于变分自编码器的图像显著性检测方法，其特征在于，包括如下步骤：

步骤1，输入图像，筛选背景样本；

步骤2，通过背景样本训练变分自编码器深度网络模型；

步骤3，通过变分自编码器深度网络模型计算超像素重建错误，得到图像的显著性值；

步骤1包括如下步骤：

步骤1-1，使用SLIC简单线性迭代聚类方法将输入的整幅图像划分为N₁个超像素，并计算每个超像素的平均CIELab颜色统计特征值；

步骤1-2，使用K-means聚类算法通过对超像素CIELab颜色统计特征值进行聚类得到图像区域，并计算每个图像区域的边界连通性；

步骤1-3，计算图像区域中超像素的边界连通性；

步骤1-4，根据超像素的边界连通性计算得到超像素属于背景的概率；

步骤1-2中，使用如下公式计算每个图像区域的边界连通性：

其中RG_m代表图像中第m个区域，bdconn(RG_m)代表第m个区域的边界连通性，SP_i代表图像中第i个超像素，BD代表边界区域，即图像最外围超像素组成的区域；

步骤1-3中，使用如下公式计算图像区域中超像素的边界连通性：

bdconn(SP_i)＝bdconn(RG_m)，SP_i∈RG_m，

其中，bdconn(SP_i)表示第i个超像素的边界连通性，第i个超像素的边界连通性与其所在图像区域的边界连通性相同；

步骤1-4中，通过如下公式计算得到超像素属于背景的概率：

其中bgPro(SP_i)代表第i个超像素属于背景的概率，表示平衡权重，选取属于背景的概率大于或等于N₂的超像素组成背景样本集合B；

步骤2包含如下步骤，

步骤2-1，构建一个深度为5的变分自编码器深度网络模型，包括输入层，隐藏层一，变分层，隐藏层三，输出层，相邻两层之间采用全连接方式连接，其中输入层单元数量为N₃，对应于超像素中包含的像素RGB值，隐藏层单元数量为N₄，网络为对称设计形式，即变分自编码器中编码器部分和解码器部分网络结构对称一致；

步骤2-2，使用反向传播和随机梯度下降法训练变分自编码器深度网络模型：每一个隐藏层需要训练的参数为W_j和b_j，输入为向量x，表示背景样本集合B中超像素SP_i中像素RGB值，输出为向量当进行反向传播时，输入为向量y，输出为向量是网络中使用的非线性激活函数；训练过程中，损失函数L定义为编码解码交叉熵和KL散度之和，公式如下：

其中q(z|x)为输入向量x在变分空间z中的高斯分布，p(x|z)是输出向量在变分空间z中的高斯分布通，损失函数前项表示交叉熵损失，后项D_KL(q(z|x)||p(z))是KL散度，对每个隐藏层，分别使用随机梯度下降法，最小化L，得到参数W_j和b_j。

2.根据权利要求1所述的方法，其特征在于，步骤3包含如下步骤，

步骤3-1，对于图像中第i个超像素SP_i，x_i表示其RGB像素值，通过训练得到的变分自编码器深度网络模型，得到x_i对应的编码解码结果从而计算得到该超像素SP_i的变分重建错误

步骤3-2，通过第i个超像素SP_i的变分重建错误计算得到第i个超像素SP_i的显著性值

步骤3-3，采用步骤3-1～步骤3-2的方法得到N₁个超像素的显著性值，从而得到图像的显著性值。

3.根据权利要求2所述的方法，其特征在于，步骤3-1中，通过如下公式计算得到第i个超像素SP_i的变分重建错误

4.根据权利要求3所述的方法，其特征在于，步骤3-2中，通过如下公式计算得到第i个超像素SP_i的显著性值