[发明专利]基于图模型的显著性目标检测方法

摘要

本发明涉及一种基于图模型的显著性目标检测方法，首先，使用MRF全局势能最小化的图像平滑处理，提高六边形排列迭代聚类HAIC算法的聚类效果；利用基于改进的图模型进行图像分割时，动态设置阈值使得颜色上相似且空间连通的区域更好地分割到同一区域；使用吸引子传播聚类方法对边缘丰富的区域进行合并，改善图像边缘过分割现象。其次，根据超像素之间的流形结构，采用流形排序算法对得到的显著图进行优化，能在最终的显著图中进一步突出整个显著区域。

主权项

1.一种基于图模型的显著性目标检测方法，其特征在于步骤如下：步骤1：采用马尔科夫随机场MRF对需要处理的图像进行平滑处理；步骤2：采用六边形排列迭代聚类HAIC算法对平滑处理后的图像进行超像素聚类，得到N₂个超像素；步骤3：利用图模型进行图像分割,使得在颜色上相似且空间联通的区域被分割到同一区域，过程如下：步骤3a：将超像素聚类后的图像映射为带权无向图G₁＝(V₁,E₁)，其中V₁为无向图的顶点的集合，E₁为连接边的集合；初始化每个超像素v_i作为一个子图节点，i∈[1,N₂]，对应超像素的标号为Id(v_i)＝i；每个超像素与其相邻超像素之间存在边，定义连接边的权值为：其中||||表示欧氏距离，分别代表超像素v_i,v_j在CIELAB颜色空间的颜色均值，i,j∈[1,N₂]；步骤3b：对每个超像素v_i，用符号t_i表示与v_i相连的边的权值均值：其中是与v_i相连超像素的个数；步骤3c：用符号Int(v_i)表示v_i内部的不相似度，初始化Int(v_i)＝0；步骤3d：将G₁中所有连接边的权值w_ij从小到大进行排序N₃为连接边的个数；定义当前权值为ε^*，初始时ε^*＝ε₁；步骤3e：选择当前权值ε^*对应的边所连接的超像素v_k,v_l作为候选合并的超像素，k,l∈[1,N₂]；如果ε^*对应两条以上的边，则以边的权值下标最小的那条边为准，称为“当前边”；步骤3f：判断对“当前边”所连接的两个节点是否进行合并，计算子图内的最小差异性：MInt(v_k,v_l)＝min(Int(v_k)+t_k,Int(v_l)+t_l)如果w_kl>MInt(v_k,v_l)，进行步骤3g；否则将v_k,v_l合并：Id(v_l)＝Id(v_k)，更新t_k＝min(t_k,t_l)，Int(v_k)＝w_kl；步骤3g：更新当前权值ε^*：将中下一个值赋给ε^*；若已达到则结束循环，得到基于图模型的图像分割结果共N₄个区域；否则返回步骤3e；步骤4：利用吸引子传播聚类算法，对过分割区域进行合并；步骤5：根据图像的颜色独特性、空间分布紧凑性以及区域面积对显著性的影响计算显著图，过程如下：步骤5a：以图像中心为原点，将每个像素的坐标归一化到[‑1,1]之间；步骤5b：将颜色差异性与空间位置差异性相结合计算区域C_i'的区域独特性的显著图，i'∈[1,N₅]：其中D(C_i',C_j')表示两个区域C_i',C_j'之间的空间距离i',j'∈[1,N₅]，N₅为吸引子传播聚类后区域的个数，Mx_i',My_i'为区域C_i'的平均空间坐标，σ₁为空间距离在区域独特性计算中的调节系数，分别代表区域C_i',C_j'在CIELAB空间的颜色均值，为区域C_i',C_j'之间的欧式距离，表示区域C_i'在全图中所占的面积比例；步骤5c：分别计算区域C_i'在横坐标与纵坐标上的方差，用I_x表示C_i'中的某个像素点，x_h,x_v分别表示其横、纵坐标，横坐标的方差V_h(C_i')依下式计算：其中sign(I_x∈C_i')为指示函数，当像素I_x∈C_i'时sign(I_x∈C_i')＝1，否则表示区域C_i'的横坐标的均值；按照计算横坐标的方差V_h(C_i')的方法相应地计算纵坐标的方差V_v(C_i')；步骤5d：计算区域C_i'的空间紧凑性V(C_i')，其定义为区域横坐标的方差V_h(C_i')与纵坐标的方差V_v(C_i')之和：V(C_i')＝V_h(C_i')+V_v(C_i')步骤5e：计算基于空间分布特性的显著图CSD(C_i')：其中代表区域C_i'与图像中心的距离；μ₁为面积期望占比系数，σ₂为面积影响调节系数；步骤5f：显著图合成，区域C_i'显著值为：Sal(C_i')＝U(C_i')*exp(CSD(C_i'))步骤6：利用超像素之间的流行结构进行流行排序得到最终显著图，过程如下：步骤6a：对得到的显著图进行二值化，提取显著区域SR；显著区域是评判每个超像素显著性的基础；步骤6b：以步骤2中得到的N₂个超像素为节点，构建闭环图模型G₂＝(V₂,E₂)，其中V₂为无向图的顶点的集合，E₂为连接边的集合；与图模型G₁＝(V₁,E₁)不同的是，图像四个边界上的超像素之间存在互相连接的边，G₂中的边权值e_ij定义为：其中分别代表超像素v_i,v_j在CIELAB颜色空间的颜色均值，i,j∈[1,N₂]，N₂为超像素的个数；S(v_i)表示超像素v_i的邻域超像素的集合，σ₃是用于控制相似度的动态范围的调节系数；步骤6c：将隶属于显著区域SR内的超像素作为已标记节点，其它超像素为非标记节点，得到标记向量该向量中的每一个元素y_i依照下式计算：步骤6d：定义权值矩阵为W＝{e_ij|i,j∈[1,N₂]}，定义度矩阵为：其中步骤6e：用向量表示超像素对应的显著值，构建如下流行排序策略：然后依据下式计算出F的最优解F^*：F^*＝(I‑αG)^‑1y其中I代表单位阵，G＝D₁^‑1/2WD₁^‑1/2为权值矩阵W的拉普拉斯归一化矩阵，系数α＝1/(1+μ₂)，其中μ₂是平衡调节系数；步骤6f：用F^*中的每个元素除以F^*中的最大值，将得到的最优排序结果F^*归一化；每个超像素对应一个归一化后的显著值，可得到最终的显著图。