[发明专利]基于L1正则化的图像显著性检测方法

摘要

本发明公开了一种基于L1正则化的图像显著性检测方法，该方法包括以下步骤对待检测图像进行傅立叶变换，对其频域幅度谱进行不同尺度的高斯滤波，构建频域的尺度空间；设计基于全变分的稀疏优化问题，利用Split Bregman方法求解该问题，得到一组候选显著性图像；使用图像二维熵作为选取标准，从候选显著性图像中选取二维熵最小的图像并进行空域的高斯滤波，得到最终的显著性图像；本发明结合了显著性图像的空域和频域的特性，有效地消除了复杂背景的影响，并且可以高效的求解，与以往频域分析的显著性检测方法相比，在人眼注视点检测和物体分割检测方面取得了更好的效果。

主权项

一种基于L1正则化的图像显著性检测方法，其特征在于，包括如下步骤：(1)输入待检测图像；待检测图像为彩色图像，由红、蓝、绿三个颜色通道组成；(2)将步骤(1)输入的图像分解为三个颜色特征图RG,BY,I，对每个颜色特征图进行傅里叶变换，并且计算傅里叶变换的对数幅度谱L(u,v)和相位谱P(u,v)，其中u，v为频谱的坐标值；(3)在每一个颜色特征图上，使用8个不同方差大小的高斯滤波器hk(u,v)，k＝1～8，对对数幅度谱L(u,v)进行卷积滤波，得到滤波后的8个不同尺度的傅里叶对数幅度谱，结合相位谱P(u,v)，得到一组不同尺度的傅里叶变换Fk，其描述如下： Fk＝exp(L(u,v)*hk(u,v)+i·P(u,v)),k＝1～8           (1)其中L(u,v)表示颜色特征图对数幅度谱，hk(u,v)表示不同方差大小的高斯滤波器，i表示虚数单位，P(u,v)表示颜色特征图相位谱，*表示卷积运算符，下标k表示尺度序号；(4)在每一个颜色特征图上，构建基于TV norm正则化的L1优化问题并采用Split Bregman方法求解，得到该颜色特征图上的8张不同尺度的显著性图像在3个颜色特征图上共得到24个显著性图像其描述如下：S^k,c=argmins||▿S||1+μ2||F(S)-exp(Lc*hk+i·Pc)||22,k=1~8,c=1~3---(2)]]>其中|| ||1表示L1范数，|| ||2表示L2范数，表示二维梯度算子，S表示显著性图像，F(·)表示傅里叶变换，c为颜色特征图的序号，μ为保真项权重，Pc为第c个颜色特征图的相位谱，Lc为第c个颜色特征图的对数幅度谱；(5)在同一尺度上，根据步骤(4)得到的显著性图像的二维熵计算权重，加权求和得到一张显著性图像，在8个尺度上共得到8张显著性图像其描述如下：S^k=Σc=131K1H2D(S^k,c)S^k,c---(3)]]>其中H2D(·)表示计算图像二维熵的函数；K为使得权重之和为1的常数；(6)计算步骤(5)得到的8张不同尺度显著性图像的二维熵，选取二维熵最小的显著性图像，平方后进行高斯滤波得到最终的显著性图像S，其描述如下：kopt=argmink(H2D(S^k))---(4)]]>S=g*|S^kopt|2---(5)]]>其中g表示高斯滤波器。