[发明专利]基于k-means与水平集超像素分割的图像显著性目标检测方法

权利要求书

1.一种基于k-means与水平集超像素分割的图像显著性检测方法，其特征在于，包括以下步骤：

步骤1：输入一张彩色RGB图像I_RGB，包括R、G、B三个通道；

步骤2：使用CV水平集演化模型将步骤1输入的彩色图像I_RGB分割为多个具有相似特征的超像素区域r_m，并定位图像的前景区域r_foreground和背景区域r_background；

步骤3：将面积大于整体图像30％的大块超像素区域r_m通过k-means方法进行再分割，分割为3个小的超像素区域；

步骤4：将彩色图像I_RGB进行颜色量化，将图像颜色的数量减少到少于256种，生成新的图像

步骤5：将新的图像从RGB色彩空间转换到Lab色彩空间，生成新的图像对比所有超像素区域中任两个超像素区域在Lab空间的颜色距离和空间距离，生成原始显著图S_original

步骤6：通过计算新的图像与背景区域在Lab色彩空间的距离生成原始背景显著图然后将原始背景显著图与原始显著图S_original加权融合后生成背景先验显著图S_background；

步骤7：将图像I_RGB在2尺度空间和4尺度空间重复步骤2至步骤6，生成多尺度背景先验显著图和通过融合原尺度背景先验显著图S_background、多尺度背景先验显著图和生成最后的显著图S_final。

2.根据权利要求1所述的一种基于k-means与水平集超像素分割的图像显著性检测方法，其特征在于，所述步骤2中使用CV水平集演化模型将彩色图像I_RGB分割为多个超像素区域的方法为：

(a)将彩色图像I_RGB转换为灰度图像I_Gray，将灰度图I_Gray中每个像素的灰度值作为I_Gray数组中的值；

(b)初始化水平集I_Phi，让水平集数组里的每一个元素的值为2，水平集I_Phi是和灰度图像I_Gray有着相同形状的数组；

(c)更新水平集I_Phi，迭代m次，m2；更新的过程为：

其中，sum表示求和、表示更新的水平集,表示更新前的水平集，row和col分别是灰度图像I_Gray的高和宽；I_Dirac是狄克拉函数；I_Heaviside是海式函数；I_Curv是图像曲率，通过Sobel算子计算；I_Dirac、I_Heaviside和I_Curv均是与灰度图像I_Gray有相同形状的数组，I_Dirac和I_Heaviside的计算公式分别如下：

(d)水平集I_Phi迭代m次后，生成最终的水平集通过自适应阈值，将水平集二值化得到I_mask，通过轮廓定位，将灰度图像的轮廓寻找出来，即二值化图像I_mask的灰度值0和255的边界为轮廓，每一个轮廓代表了一个超像素区域r_m。

3.根据权利要求1所述的一种基于k-means与水平集超像素分割的图像显著性检测方法，其特征在于，所述步骤2中定位前景区域和背景区域的方法为：将超像素区域内的区域的合集定义为前景区域r_foreground，超像素区域外的区域定义为背景区域r_background。