[发明专利]一种基于颜色特征和聚类算法的显著性目标检测方法

摘要

本发明涉及一种特征聚类和颜色对比度的图像显著性目标检测方法，首先，同时考虑了Lab和对抗色两个颜色空间，同时考虑了每个像素点与多尺度邻域差值问题，这样既考虑图像的整体特征又考虑图像的局部特征。运用信息熵作为衡量显著图的检测效果，首先运用信息熵找到每个颜色通道中的最优三个邻域尺度，然后用信息熵找到最优三个颜色通道，并且运行信息熵组合每步得到的最优显著图。这样既考虑图像的整体特征又考虑图像的局部特征。接着运用信息熵分步组合得到的最优显著性分布图。

主权项

1.一种基于特征聚类和颜色对比度的图像显著性目标检测方法，其特征在于步骤如下：步骤1：将原始输入图像由RGB颜色空间转化为Lab颜色空间；步骤2：采用SLIC算法对转化为Lab颜色空间的图像进行过分割得到超像素，原始图像过分割得200个超像素；步骤3：应用Kmeans聚类算法将步骤2处理后的图像的颜色像素值聚为K类，本方法取K＝6；步骤4：计算每个聚类的信息熵得：其中：Cj(x,y)是i颜色通道第j个聚类，当点(x,y)属于第j个聚类时，Cj(x,y)＝1，当点(x,y)不属于第j个聚类时，Cj(x,y)＝0；g是一个高斯低通滤波器；步骤5：将聚类的信息熵按照从大到小的顺序排列，选取信息熵前两位的2个聚类的颜色特征作为为背景特征，这两类特征对应的超像素组成的区域为背景区域；步骤6：计算步骤2处理后图像中，每个超像素中心位置与所在图像四个顶点的距离，当到任一个顶点的距离小于时，该超像素增加为背景区域，其中：w,h分别是图像宽和高，其余区域为前景区域；步骤7：在Lab颜色空间中，计算每个颜色通道中前景区域与背景区域的对比度特征：其中：S_k(i)表示前景区域中第i个超像素在k颜色通道中的显著性特征，F_k(i)表示在前景区域中第i个超像素在k颜色通道中的颜色特征，B_k(j)表示在背景区域中第j个超像素在k颜色通道中的颜色特征，P_i,P_j分别是第i个和第j个超像素的中心位置，w,h分别是图像宽和高的中心位置，||·||₂表示求2范数；步骤8：将Sk(i)，k∈{L,a,b}归一化并线性组合，得到图像显著性特征：其中：为特征融合权系数；步骤9：取阈值T＝mean2(S)，将显著性特征S二值化，分离图像前景区域为F；步骤10：构造高斯滤波，其中：x₀和y₀分别表示图像前景区域F中心位置的横坐标和纵坐标，表示显著区域的半径；步骤11：应用步骤10中的高斯滤波对步骤8得到的显著性特征增强，得到图像显著性目标特征图，显著性区域即为目标区域。