[发明专利]一种显著图融合方法及系统

说明书

本发明提供一种显著图融合方法及系统，其中方法包括标注数据集的准备，还包括以下步骤：在图像集D中进行测试图像I的基于图像外观的近邻搜索；在图像集D的绝对误差矩阵E中提取最近邻图像对应的误差，形成误差矩阵P；计算K最近邻集合的每一种检测方法的平均绝对误差，其中，所述K为近邻的图像个数；根据所述平均绝对误差计算每一种检测方法的权重；应用M种检测方法对测试图像I进行显著区域提取和融合。本发明提出一种显著图融合方法及系统，无需对图像数据提前训练，避免了不同的训练集造成的参数修改问题，处理方法简单，有效的提高了显著区域检测的准确性和效率。

技术领域

本发明涉及计算机视觉技术领域和图像处理领域，具体地说是一种显著图融合方法及系统。

背景技术

图像显著性检测旨在找出图像中最重要的部分，是计算机视觉领域用来降低计算复杂度的重要的预处理步骤，在图像压缩、目标识别、图像分割等领域有着广泛的应用。同时它又是计算机视觉中具有挑战性的问题，这些方法各自有自己的优势和不足，即使是同一显著性检测方法，对于不同的图片检测效果也是差异巨大的。为此能够融合多种显著性检测方法的结果，已得到更优显著图的方法就显得尤为重要了。有一些传统的显著图融合方法，他们多是对于多幅显著图进行简单的加和平均或是简单相乘取平均这种显著图融合方式将各种显著图同等对待，把各种显著性检测的权值设为同一数值，这在实际重视不合理的，因为对于一幅图片甚至是每一个像素点，各种显著性检测方法的检测效果都是不同，为此各显著性检测方法的权值也理应设置不同。当前也存在着一些研究融合多幅显著图的方法，如Mai等人利用条件随机场(CRF)来融合多幅显著图，得到了很好的效果，但是其召回率方面效果并不能令人满意。

申请号为CN201410616752.0的发明公开了一种基于多尺度区域融合的显著区域检测方法，这种方法首先计算图像的最佳颜色梯度与归一化梯度；然后用梯度索引遍历图像，把满足融合门限的像素对合并，得到第一个尺度的标签图像；再计算该标签图像的边缘梯度图；接着在各个尺度下迭代计算出多尺度标签图；然后利用互信息求出多尺度候选显著图；最后利用空间几何信息熵找出最优尺度，则该尺度下的候选显著图就是最终显著图。此发明专利的实质仍然是一种显著区域的检测方法，而并不是对多种检测方法的检测结果进行融合。

发明内容

为了解决上述的技术问题，本发明提出一种显著图融合方法及系统，该方法概念简单，无需对图像数据提前训练，避免了不同的训练集造成的参数修改问题，处理方法简单，有效的提高了显著区域检测的准确性和效率。本发明可以被广泛应用到计算机视觉与其他相关的图像处理问题中。

本发明的第一目的是提供一种显著图融合方法，包括标注数据集的准备，还包括以下步骤：

步骤1：在图像集D中进行测试图像I的基于图像外观的近邻搜索；

步骤2：在图像集D的绝对误差矩阵E中提取最近邻图像对应的绝对误差，形成绝对误差矩阵P；

步骤3：计算K最近邻集合的每一种检测方法的平均绝对误差，其中，所述K为近邻的图像个数；

步骤4：根据所述平均绝对误差计算所述K最近邻集合的每一种检测方法的权重；

步骤5：应用M种检测方法对测试图像I进行显著区域提取和融合。

优选的是，所述标注数据集的准备包括设定图像集D和对应的基准二值标注集G，有M种检测方法。

在上述任一方案中优选的是，所述标注数据集的准备包括以下子步骤：

步骤01：对于所述图像集D中的第j幅图像，应用M种检测方法提取该图像的显著图；

步骤02：计算所述第j幅图像的M种显著图和第j幅图像的基准二值标注为g^j的绝对误差；