[发明专利]基于图模型构建与标签传播的视觉显著性检测算法

摘要

本发明公开了一种基于图模型构建与标签传播的视觉显著性检测算法，步骤1、进行输入图像的预处理：将输入图像分割为若干个超像素si(i∈1～K)；步骤2、进行背景种子的标记；步骤3、构建传播所需的图模型；步骤4、完成基于背景种子的显著性标签传播。与现有技术相比，本发明在客观指标包括准确率、召回率、综合评价指标、平均绝对误差等和主观评价上都显著优于目前的方法。

主权项

一种基于图模型构建与标签传播的视觉显著性检测算法，其特征在于，该方法包括以下流程：步骤1、进行输入图像的预处理：将输入图像分割为若干个超像素si(i∈1～K)，其中，K为超像素的个数；步骤2、进行背景种子的标记：首先，计算所有超像素在图像的全局中与其它超像素的对比度Sc(si)：Sc(si)=Σi≠jDc(i,j)*exp(-Dp(i,j)2δp2)---(1)]]>其中，Dc(i,j)表示超像素si与sj在CIE LAB颜色空间的像素特征平均值之间的欧式距离，Dp(i,j)表示超像素si与sj的像素平均位置坐标之间的欧式距离；δp为坐标位置控制参数；其次，采用高斯平滑算子来拉大Sc(si)中背景区域与其他区域之间的显著值的差距：S(si)＝Sc(si)*G(si)  (2)G(si)=exp[-(xsi-xcenter)22σx2+(ysi-ycenter)22σy2]---(3)]]>xcenter=ΣiSc(si)ΣjSc(sj)xsi,ycenter=ΣiSc(si)ΣjSc(sj)ysi---(4)]]>其中，为超像素si的中心坐标，S(si)为初始估计的显著值，G(si)为高斯平滑算子，(xcenter，ycenter)为高斯平滑算子的中心坐标，Sc(si)为超像素si在图像中与其它超像素的对比度，i，j分别表示第i个超像素si与第j个超像素sj；接着，设定分割阈值T，将初始估计的显著值S(si)低于阈值T的超像素分割出来并添加到背景种子集合中，其中L即Label，表示超像素被标记为种子；B即Background，表示超像素被标记背景种子；步骤3、构建传播所需的图模型：首先，构建无向图G＝(V(G),E(G))，V(G)为节点集，即超像素在无向图中由节点vi表示，E(G)则表示节点之间的边集，其权重ωi,j即为两个超像素之间的特征相似度：ωi,j=exp(-||vi-vj||22a2)---(5)]]>其中，表示两个数据节点的特征向量之间的欧式距离。其次，使图像四边上的任何一对边界节点均相连，从而使得整幅图成为一个闭环图；再次，对超像素进行无监督聚类，使得具有相同类标签的超像素两两相连；选出包含标记种子的类，并强制相应类之间的超像素不能通过边彼此连接；步骤4、完成基于背景种子的显著性标签传播：首先，将节点集V(G)划分为标记节点集{v1,v2…,vl}和未标记节点集{vl+1,vl+2…,vl+u}。其中标记节点的标记值固定为“1”，未标记节点的标记值初始化为“0”；其次，计算标记值从一个节点传播到另一个节点的传播概率：Pij=P(i→j)=ωijΣq=1l+uωiq---(6)]]>其中，l为标记节点的个数，u为标记节点的个数，q表示第q个节点接着，将节点间的传播概率归纳为矩阵形式，传播概率矩阵表示为：P=PuuPulPluPll---(7)]]>其中，Puu是未标记节点与未标记节点之间的传播概率，Pul为未标记节点与标记节点之间的传播概率，Plu为标记节点的标记值被传播到未标记节点的传播概率，Pll为标记节点之间的传播概率；最后，将节点的标记值f划分为f＝(fl，fu)，其中fl为标记节点的标记值并始终固定为“1”，fu为未标记节点的标记值并初始化为“0”；经多次迭代式至收敛，得到所有未标记节点的fu：fu←Puu*fu+Pul*1  (8)所有超像素的标记值f∈[0,1]，f可表示为超像素属于背景的概率，相应地，1‑f则表示为超像素属于显著性区域的概率，即显著图。