[发明专利]一种结合似物性检测的贝叶斯显著性检测方法

摘要

本发明涉及一种结合似物性检测的贝叶斯显著性检测方法，首先使用改进BING算法检测目标，获取目标物体性建议并生成像素级物体性图，再以此图作为输入获得每个超像素物体性分值，然后通过阈值分割得到物体性粗区域，接着对超像素进行聚类，结合粗区域计算描述显著性的概率先验图，使用贝叶斯公式整合粗区域信息和聚类显著性信息得到最终的显著图，最后通过形态学算法对显著图进行处理。实现了突出显著性目标区域的功能，提高了显著性目标检测的准确性与均匀性。

主权项

一种结合似物性检测的贝叶斯显著性检测方法，其特征在于步骤如下：步骤1、获取基于似物性检测的前景粗区域：将图像宽和高上的像素个数限制在{10,20,40,80,160,320}的范围内，获得36个不同尺寸的图像；以8×8的窗口在图像上进行滑动，通过二值化NG特征得到每一个窗口的BING特征，并借助二值化后的拉普拉斯‑高斯滤波器算子计算每个像素的物体性分值，获取物体性分值图；采用SLIC算法分割出超像素，计算每个超像素所包含的像素的物体性分值之和，并以此作为该超像素的物体性分值，最后采用自适应阈值分割算法将超像素分割出来作为目标前景的粗区域；对于每个窗口，采用64维图像梯度范数特征，即NG特征作为图像特征；步骤2、采用拉普拉斯稀疏子空间聚类法将多个超像素聚类为子区域：对于数据点其在子空间可以用下式来表示：若U＝{u1,u2,...,uN}表示空间中所有点的矩阵，则上式中表示为移除ui数据点所在列的矩阵，表示映射ui与空间中所有点的关系的稀疏矩阵；步骤2.1、根据目标函数subject to ciT1＝1初始化ci，其中表示引入噪声ηi的点，λ为常量，通常取λ＝0.01；步骤2.2、计算常量矩阵W：计算每个超像素的平均特征向量u，根据下式计算描述超像素间关系的协方差矩阵M：σij=1K-1Σk=1K(sik-ui)(sjk-uj)]]>式中，表示在当前超像素中第k个像素的第i个特征,ui是该超像素中所有像素的第i个特征的平均值；然后通过协方差矩阵M计算两两超像素的距离d(Mi,Mj)：d(Mi,Mj)=Σi=19ln2λi(Mi,Mj)]]>其中，为|λMi‑Mj|＝0的广义特征根，则描述两个超像素的相似矩阵W(Mi,Mj)为：W(Mi,Mj)＝exp(‑ρd(Mi,Mj))上式中，ρ是一个常量；步骤2.3、计算描述超像素间映射关系的稀疏系数矩阵C求解映射某点与空间中其他点数据的稀疏矩阵的最优解ci：min||Ui^ci-u‾i||2+λ||ci||1+α2Σij||ci-cj||2Wij=min||Ui^ci-u‾i||2+λ||ci||1+αtr(CLCT)]]>subject to ciT1＝1其中，L为拉普拉斯矩阵且定义为L＝H‑W，H为一个对角矩阵，其对角线上的元素Hii定义为α是正则化项上的权重；令为在ci的第i行插入0向量的N维矩阵，则描述超像素间的映射关系的稀疏系数矩阵定义为：步骤2.4、分割超像素聚类得出的子区域定义为描述超像素间相似性的对称矩阵。然后在超像素间建立图G＝(V,E)，其中顶点V为N个超像素，当不为0时，(vi,vj)∈E为两超像素的边。计算图G的拉普拉斯矩阵A，该矩阵由下式计算：其中B为对角矩阵，其对角线上的元素表示为使用k均值算法聚类拉普拉斯矩阵A的特征根对超像素进行分割，将超像素聚类为N个子区域；步骤3、获取输入图像中的像素属于显著目标的先验概率图：计算输入图像中某一子区域中的像素属于显著目标的先验概率p(sal)为：p(sal)=|cluster∩objectness||cluster|]]>其中，cluster为一个聚类子区域，objectness为由似物性检测获得的前景粗区域，|·|表示为该集合中所包含的像素个数；步骤4、计算观测似然函数p(v|sal)：前景粗区域表示为I，背景区域表示为O，用f(v)＝[l(v),a(v),b(v)]表示像素v在CIELab空间中的值，则像素v的观测似然函数为：p(v|sal)=Πf∈{l,a,b}NI(f(v))NI]]>p(v|bk)=Πf∈{l,a,b}NO(f(v))NO]]>其中，NI、NO分别表示位于前景粗区域内和背景区域内的像素个数，假设CIELab空间的三个颜色通道相互独立，则NI(f(v))f∈{l,a,b}表示前景粗区域中包含该像素的CIELab特征直方图的像素个数，NO(f(v))f∈{l,a,b}表示背景区域中包含该像素CIElab特征直方图的像素个数；步骤5、利用贝叶斯框架计算最终像素显著性图：根据步骤3和步骤4所得像素v的先验概率p(sal)和观测似然函数p(v|sal)，计算该像素显著性为：p(sal|v)=p(sal)p(v|sal)p(sal)p(v|sal)+p(bk)p(v|bk)p(bk)=1-p(sal)]]>式中，p(sal|v)为预测像素v为显著像素的概率p(sal＝1|v)的缩写。p(bk)为像素v属于背景区域的先验概率。