[发明专利]一种社群图像的显著区域提取方法及系统

权利要求书

1.一种社群图像的显著区域提取方法，包括准备训练图像集，其特征在于，还包括以下步骤：

步骤1：对所述训练图像集中的图像进行基于外观的显著性计算；

步骤2：对所述训练图像集中的每幅图像带有的对象标签进行对应的对象标签的语义特征计算；

步骤3：求解显著性特征的融合系数；

步骤4：提取测试图的显著性特征，并计算显著图。

2.如权利要求1所述的社群图像的显著区域提取方法，其特征在于，所述步骤1包括提取图像的外观特征并计算对应的显著性特征，得到K维外观显著性特征。

3.如权利要求2所述的社群图像的显著区域提取方法，其特征在于，在第k维显著性特征通道上的显著性计算方法为：

其中，D(v_i^k,v_j^k)代表像素x_i和像素x_j在第k维特征通道上的差异，w_ij代表空间距离权重，1≤k≤K，i表示第i个像素，j为和第i个像素不同的第j个像素。

4.如权利要求3所述的社群图像的显著区域提取方法，其特征在于，所述步骤2包括以下子步骤：

步骤21：定义图像中像素x的对象标签语义特征p_x初始化为{0，0，……，0}，1≤q≤M，M为所述训练图像集中包含的对象标签个数，q表示第q个对象标签；

步骤22：逐一确认图像是否含有M个对象标签；

步骤23：计算像素x的对象标签语义特征p_x。

5.如权利要求4所述的社群图像的显著区域提取方法，其特征在于，所述步骤22包括：

1)当第m个对象标签存在时，1≤m≤M，则检测对象标签m对应的N个建议矩形框，每个矩形框内包含对象的可能性为f_mⁿ，则被矩形框覆盖的每个像素的对象m的语义特征为f_mⁿ，1≤n≤N，如果像素没有被第m个对象标签的任何矩形框覆盖，则像素的第m个对象标签的语义特征为0；

2)当图像的第m个对象标签不存在时，则f_mⁿ＝0，1≤n≤N。

6.如权利要求5所述的社群图像的显著区域提取方法，其特征在于，所述对象标签语义特征p_x的计算公式为：

其中，为标记变量。

7.如权利要求6所述的社群图像的显著区域提取方法，其特征在于，基于所述步骤1和所述步骤2的计算，共得到K+M维显著性特征，其中包括K维基于外观的显著性特征和M维标签语义特征。

8.如权利要求7所述的社群图像的显著区域提取方法，其特征在于，所述步骤3包括对所述K+M维显著性特征进行融合，所述融合系数通过下面公式进行求解，

当a_x＝0表示像素x标注为非显著，F_t(a_x)＝S′(x)；

当a_x＝1表示像素x标注为显著，F_t(a_x)＝1-S′(x)，S’(x)表示像素x的显著值；

其中，S’(x)表示像素x的显著值，G(a_x,a_x′)＝|a_x-a_x′|.d(x,x′)，d(x,x’)表示像素x，x’之间的颜色差；i表示训练集中的第i幅图像，y表示训练集中的第y幅图像，1≤y≤Q，Q表示训练集中图像的个数。

9.如权利要求8所述的社群图像的显著区域提取方法，其特征在于，最优化参数为

10.一种社群图像的显著区域提取系统，包括用于准备训练图像集获取模块，其特征在于，还包括以下模块：

计算模块：用于对所述训练图像集中的图像进行基于外观的显著性计算，还用于对所述训练图像集中的每幅图像带有的对象标签进行对应的对象标签的语义特征计算；

求解模块：用于求解显著性特征的融合系数；

测试模块：用于提取测试图的显著性特征，并计算显著图。