[发明专利]一种基于边缘特征引导的显著性目标检测方法

权利要求书

1.一种基于边缘特征引导的显著性目标检测方法，其特征在于，包括：

从显著对象真值图中提取显著对象的边缘数据，并将所述边缘数据作为额外的预备训练集；

采用基础网络提取图像特征，并基于所述图像特征，分别得到显著性对象的边缘特征、多尺度的位置特征；

基于多层感知机，对所述边缘特征与所述多尺度的位置特征的关系动态学习，得到边缘增强融合特征；

将所述边缘增强融合特征送入卷积网络进行细化处理，并基于细化后的边缘增强融合特征，得到最终分割结果。

2.根据权利要求1所述的基于边缘特征引导的显著性目标检测方法，其特征在于，从显著对象真值图中提取显著对象的边缘数据，并将所述边缘数据作为额外的预备训练集，包括：

基于显著对象真值图，计算图像像素梯度的幅值和方向，得到计算后的图像像素梯度；

对所述计算后的图像像素梯度进行非极大值抑制，得到初步显著对象的边缘二值图像；

使用双阈值对所述边缘二值图像进行筛选，得到与显著对象真实边缘相接近的边缘图像；

基于所述边缘图像，提取显著对象的边缘数据，并将边缘数据转换为png格式，将png格式的边缘数据作为额外的预备训练集。

3.根据权利要求2所述的基于边缘特征引导的显著性目标检测方法，其特征在于，采用基础网络提取图像特征，并基于所述图像特征，分别得到显著性对象的边缘特征、多尺度的位置特征，包括：

将所述基础网络的卷积块得到的特征与所述边缘图像进行回归学习，得到显著性对象的边缘特征；

将所述基础网络的卷积块得到的特征与所述显著对象真值图进行回归学习，得到显著性对象的位置特征；

其中，显著性对象的边缘特征的回归过程包括：

将预测边界图对应的像素点与轮廓真值图对应的像素点进行二分类交叉熵判断，得到判断结果；

将所述判断结果进行累加平均后，得到图像边缘预测结果与边缘轮廓真值图之间的损失；

显著性对象的边缘特征的回归过程的表达式为：

l_bce(x，y)＝ylog(x)+(1-y)log(1-x)

其中，l_bce(x，y)函数为二值交叉熵函数，表示两个概率分布间的差异性；G^e为边缘轮廓真值图；n表示像素点的个数，k表示代像素点的索引，e_k和分别表示预测边界图和轮廓真值图的像素点。

4.根据权利要求2所述的基于边缘特征引导的显著性目标检测方法，其特征在于，将所述基础网络的卷积块得到的特征与所述显著对象真值图进行回归学习的过程，还包括：

多尺度粗糙显著对象的回归；

其中，所述多尺度粗糙显著对象的回归过程包括：

将预测的多尺度的显著对象结果对应的像素点与显著对象真值图对应的像素点进行二分类交叉熵判断，得到判断结果；

将所述判断结果进行累加平均后，得到粗糙显著对象预测结果与显著对象真值图之间的损失；

粗糙显著对象的回归过程的表达式为：

l_bce(x，y)＝ylog(x)+(1-y)log(1-x)

其中，l_bce(x，y)函数为二值交叉熵函数，表示两个概率分布间的差异性；G^Si为显著对象真值图；n表示像素点的个数；k表示代像素点的索引；和分别表示预测的显著对象结果和显著对象真值图的像素点；i代表显著对象特征所对应的尺度，i＝3，4，5，6。