[发明专利]基于超像素聚类的协同显著性检测方法

摘要

本发明公开了一种基于超像素聚类的协同显著性检测方法，通过构建超像素金字塔，使用超像素块来代替普通像素点，加速协同显著性计算，同时构建超像素金字塔可以获得不同尺度上的特征信息，保证协同显著目标的边界的准确性，在此基础上，使用聚类的方法进一步将超像素块分类，进一步加速了协同显著性的计算时间，最后使用协同显著图与显著图融合的方法得到最终的协同显著图，保证了协同显著目标的准确性。本发明获得的显著目标的边界轮廓定位更加准确，在时间和准确性上具有一定的优势。

主权项

一种基于超像素聚类的协同显著性检测方法，其特征在于，包括以下步骤：(1)构建超像素金字塔图像：(1a)输入原始图像组数据，构建三层的高斯金字塔，其中，第一层图像由原始图像进行高斯平滑得到，第二层图像由第一层图像降采样后进行高斯平滑得到，第三层图像由第二层图像降采样后进行高斯平滑得到；(1b)利用基于内容感知的超像素分割方法对每层图像进行超像素分割，对长宽分别为width和height像素的图像，根据图像的大小动态设定超像素块的数目，超像素块数得到超像素的金字塔图像；(2)计算单一显著图：(2a)计算弱显著图将超像素分割得到的N个超像素块表示为：{ci},i＝1,2,...,N，将处于边缘区域的超像素假设为背景，表示为：{nj},j＝1,2,...,NB，其中NB是位于该图像边缘区域的超像素个数，然后分别计算每个超像素块的特征：暗通道值、中心先验权重和颜色特征；暗通道计算公式如下：Sd(ci)=1NciΣp∈ciSd(p)---(1)]]>其中表示区域ci覆盖的像素个数，Sd(p)是暗通道值的计算函数，如下所示：Sd(p)=1-minq∈patch(p)(minch∈{r,g,b}(Ich(q)))---(2)]]>其中Ich(q)表示q在对应通道内的颜色值；弱显著性检测模型通过如下公式实现：f0(ci)=g(ci)×Sd(ci)×Σk∈{F1,F2,F3}(1NBΣj=1NBdk(ci,nj))---(3)]]>其中dk(ci,nj)表示区域ci与nj在k所对应的特征之间的欧氏距离，三种特征分别是RGB(F1)、CIELab(F2)和LBP(F3)特征，g(ci)为中心先验权重，通过超像素ci的中心与图像中心的归一化空间距离计算得到；由公式(3)得到每个区域的显著值，将每个区域的显著值赋给该区域内的所有像素，得到弱显著图；(2b)训练强显著性检测模型将多个单核单特征的支持向量机分类器作为弱分类器，采用Adaboost增强学习方法通过多次迭代学习得到一个强分类器；多个单核单特征的支持向量机核函数的线性加和表示为：s(r,ri)=Σm=1Mβmsm(r,ri),Σβm=1,βm∈R+---(4)]]>其中，r表示训练样本，ri为第i个样本，训练集样本集由上一步的弱显著图得到，βm表示对应核函数的权重，M表示弱分类器的数量，经过多次迭代得到一个强分类器，应用于当前图像的所有测试样本，最后预测得到单一显著图；(3)超像素块聚类选用RGB、CIELab和Gabor特征作为聚类特征，对组内的所有图像的所有超像素块进行聚类，聚类方法为K‑Means聚类方法；(4)计算协同显著性M张图像经过聚类后得到K个类，记为聚类中心记为通过计算对比度测度、重复率测度以及位置测度来描述协同显著性，根据3个测度的乘积得到弱协同显著图；(5)融合：进行多尺度融合；将弱显著图与弱协同显著图相乘，获得融合后的显著图。