[发明专利]一种基于变分自编码器的图像显著性检测方法

说明书

本发明公开了一种基于变分自编码器的图像显著性检测方法，包括如下步骤：首先将输入图像分割成超像素，并计算每个超像素的边界连通性，根据连通性值筛选出背景样本集；然后构建变分子编码器深度网络模型，使用得到的背景样本数据通过随机梯度下降方式对网络进行训练；最后，使用训练完成的变分自编码器网络对整幅图像的所有超像素进行重建，并计算重建错误，得到显著性值。

技术领域

本发明属于图像处理技术领域，涉及一种基于变分自编码器的图像显著性检测方法。

背景技术

最近，致力于寻找图像中重要部分的显著性检测已经成为计算机视觉领域研究中的热点问题。显著性检测作为视觉媒体处理的重要一环，为诸如对象分割，图像检索，图像内容编辑等诸多视觉应用提供了有效的帮助。

通常，在显著性检测领域，已有的方法可以被分为自上而下或者自下而上两种。自上而下的方法是任务驱动型，需要人工标注的真值图像进行监督训练。为了更好地从背景中辨别显著物体，我们需要应用高级信息和监督方法来提高显著性图的准确率。相反，自下而上的方法通常利用低级线索，比如特征，颜色和空间距离来构建显著性图。一种应用最多的原则是对比度优先原则。这种原则主要是通过计算一个区域和周围环境的颜色对比度和空间对比度来得到该区域的显著性值。然而，已有方法都是通过计算图像区域在低层特征上的差异对比度来计算显著性结果，如专利《一种显著性区域的检测方法》(201510297326.X)，通过计算图像区域的RGB与LAB颜色空间上的特征对比度来得到区域的显著性值。当遇到较为复杂的图像时，低层特征对比度无法反应出显著差异，导致检测结果较差。另外，还有一些方法是基于边缘优先性。它们假设图像边缘的区域更加有可能成为背景，如专利《一种图像目标显著性度量方法》(201711124512.9)，通过计算边界图像块与最临近目标图像块的匹配差异来计算任意目标的显著性值。诚然，图像的边缘有很大可能成为背景，这在文献1：A.Borji,D.N.Sihite,and L.Itti.Salient object detection:Abenchmark.In Computer Vision--ECCV 2012,pages 414--429.Springer,2012.1，中有所证明。但是，像之前大多数方法那样，将图像边缘上的所有点都归为背景点并不合理。如果目标物体出现在图像的边缘，被选做背景的种子就会不准确，并直接导致错误的显著检测结果。同时，已有的方法在发掘背景种子点的模式时，受模型本身的限制，对于背景的泛化表达能力差，也会导致部分背景区域被检测出较高的显著性。

纵观现有的图像显著性领域的研究和应用可知，目前的单幅图像显著性检测方法，存在着如下的不足：

(1)仅使用低层图像特征进行显著性计算，导致显著检测结果存在图像语意层面的误差。

(2)在利用边缘优先性时，错误选取目标物体为背景种子点，导致错误的显著检测结果。使用的模式识别模型在泛化表达能力上有所欠缺，导致背景区域被误检为显著对象。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于变分自编码器的图像显著性检测算法，用于支持对图像中显著目标的有效检测。

为了解决上述技术问题，本发明公开了一种基于变分自编码器的图像显著性检测算法，包括如下步骤：

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：