[发明专利]基于背景先验和前景节点的感兴趣区域检测方法

摘要

本发明公开了一种基于背景先验和前景节点的感兴趣区域检测方法，包括1)利用SLIC算法将原始图像分割成超像素；2)利用K‑means聚类算法对边界超像素进行聚类，根据聚类结果构建全局颜色差异矩阵和全局空间距离矩阵并将它们融合成基于背景先验的显著图，最后利用单层元胞自动机初步优化基于背景的显著图；3)将得到的基于背景的显著图进行自适应阈值分割，得到前景节点，根据对比度关系得到基于前景节点的显著图，并利用偏置的高斯滤波进行优化；4)将基于背景先验和前景节点的显著图进行融合，得到最终的显著图。本发明作为图像预处理过程，可以被广泛的应用到视觉跟踪、图像分割和目标重定位等视觉工作领域。

主权项

一种基于背景先验和前景节点的感兴趣区域检测方法，包括下列步骤：步骤1：输入一幅原始图像，利用SLIC算法将图像分割成N个超像素；步骤2：计算基于背景的显著图，并利用元胞自动机进行优化；步骤2‑1：利用K‑means聚类算法对边界超像素进行聚类得到分类的边缘种子；步骤2‑2：根据聚类结果构建全局颜色差异矩阵和全局空间距离矩阵并将它们融合成基于背景先验的显著图；步骤2‑3：利用单层元胞自动机初步优化基于背景的显著图，得到优化后的基于背景的显著图步骤3：计算基于前景节点的显著图，并利用偏置的高斯滤波进行优化；步骤3‑1：对基于背景先验的显著图进行自适应阈值分割，根据所得的二值图像得到前景目标的初始位置，得到前景节点的集合FG；步骤3‑2：利用超像素的颜色信息和位置信息的对比度关系计算显著度，得到基于前景节点的显著性结果：SiFG=Σj≠i,j∈FGλ1l(ci,cj)+λ2l(Ii,Ij)]]>其中，l(ci，cj)表示第i个超像素与前景节点集合中第j个超像素在CIElab颜色空间中的欧氏距离，l(Ii，Ij)表示第i个超像素与前景节点集合中第j个超像素的空间距离，λ1和λ2是权重系数；步骤3‑3：根据前景节点目标的位置构建高斯模型：G(x，y)＝exp(‑λ(((x‑dx)/w)2+((y‑dy)/h)2))其中，(dx，dy)是图像前景节点的中心坐标，w和h分别是图像的宽度和高度，λ是权重系数；步骤3‑4：利用目标偏置的高斯滤波优化基于前景节点的显著图，SaliFG=SiFG*G(x,y)]]>步骤4：将基于背景先验和前景节点的显著图进行融合，得到最终的显著图：Si=SaliBG*(1-exp(-β*SaliFG))]]>其中，β是权衡系数。