[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

说明书

本发明公开了一种基于k‑means与水平集超像素分割的图像显著性目标检测方法，该方法使用水平集图像分割与k‑means聚类相结合的方法，将给定目标图像分割为多个具有相似特征的超像素区域，以抽象图像中不必要的细节，然后使用直方图加速的方法量化所有超像素内的颜色特征，减少颜色数量，提高计算效率，全局对比所有超像素区域在Lab色彩空间下的距离和平面空间的距离计算区域显著值，并结合背景先验和多尺度空间融合进一步优化检测效果。对于后期的机器视觉处理具有重要的意义，而且其成本远低于后续的复杂图像处理。

技术领域

本发明涉及数字图像处理的领域，尤其涉及一种基于k-means与水平集超像素分割的图像显著性目标检测方法。

背景技术

随着互联网和通信技术的快速发展，人们能够获取的外界信息呈现井喷式增长，“大数据”时代已然到来。在人类日常获取的各种信息之中，又以图像信息所包含的信息量最为丰富，实际上人类一天获取的各种信息80％来自于视觉图像信息。著名视频网站YouTube在庆祝8周年生日时披露，每分钟上传到该网站的视频已突破100亿小时，而著名社交网站Facebook在其2013年的白皮书中透露，该公司的11.5亿用户每天平均向其网站上传3.5亿张照片。面对如此海量的图像与视频信息，如何从这些图像和视频中快速地获取对人们有用的重要信息，已经成为摆在研究人员面前的一个重要问题。

长期以来，心理学家和神经科学家一直在研究人类视觉显著性这种能力，而随着计算机视觉技术的发展，人类的视觉注意机制同时在机器视觉领域引起了极大的兴趣与关注，主要是因为它有助于发现有效表示场景的对象或区域，从而利用于解决复杂的视觉问题。

如今视觉显著性检测在计算机视觉、图像感知和人形机器人等诸多领域得到了广泛的利用，具体应用如物体检测与识别，图像和视频压缩，视频摘要，照片拼接与媒体重定向，图像质量估计，图像分割，基于内容的图像检索和图像采集浏览，图像编辑和操作，视觉跟踪，对象发现和人机交互等。

人类视觉系统在面对自然场景时具有快速搜索和定位感兴趣目标的能力，这种视觉注意机制是人们日常生活中处理视觉信息的重要机制。随着互联网带来的大数据量的传播，如何从海量的图像和视频数据中快速地获取重要信息，已经成为计算机视觉领域一个关键的问题。通过在计算机视觉任务中引入这种视觉注意机制，即视觉显著性，可以为视觉信息处理任务带来一系列重大的帮助和改善。引入视觉显著性的优势主要表现在两个方面，第一，它可将有限的计算资源分配给图像视频中更重要的信息，第二，引入视觉显著性的结果更符合人的视觉认知需求。视觉显著性检测在目标识别，图像视频压缩，图像检索，图像重定向等中有着重要的应用价值。视觉显著性检测模型是通过计算机视觉方法去预测图像或视频中的哪些信息更受到视觉注意的过程。

发明内容

有鉴于此，本发明提供了计算高效的一种基于k-means与水平集超像素分割的图像显著性目标检测方法。

本发明提供一种基于k-means与水平集超像素分割的图像显著性目标检测方法，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