[发明专利]一种基于低秩多尺度融合的图像显著性检测方法

说明书

技术领域

本发明属于计算机视觉检测技术领域，尤其是一种基于低秩多尺度融合的图像显著性检测方法。

背景技术

在计算机视觉领域，显著性物体检测方法被分为自底向上的场景驱动模型和自顶向下的期望驱动模型两大类。自底向上的方法主要基于图片景色的场景信息，而自顶向下的方法则是由知识、期望和目的决定的。现在已经提出了很多显著性检测方法，例如RC、CA等。这些显著性检测方法大部分都是针对单尺度图片的显著性检测并且已经取得了不错的效果。但是这些方法具有一个共同的问题就是当物体处在小尺度大对比度的自然场景下时，一般不能很好地检测到图片中的显著性物体。针对这种情况，一般有两种解决方法，一种是继续寻找更好的显著性物体，另一种就是利用其它的也包含相同显著性物体的图片辅助监测显著性物体，这种方法被称为协同显著性检测。

基于低秩矩阵恢复的显著性检测方法是基于如下先验假设：显著性目标在整幅图上是稀疏的，这样一幅图像就可以看成是背景加上在背景上稀疏分布的一些显著性目标，而图像背景具有低秩特性，进而将一副自然图像分解为一个低秩矩阵和一个稀疏矩阵，因此显著性检测转化为一个低秩矩阵的恢复问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于低秩多尺度融合的图像显著性检测方法，解决了现有检测方法存在尺度选择困难的问题以及可靠性的问题。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于低秩多尺度融合的图像显著性检测方法，包括以下步骤：

步骤1、对输入的图像进行单尺度显著性检测；

步骤2、对单尺度显著性检测后的图像进行多尺度显著性融合处理，得到融合显著性图；

步骤3、对多尺度显著性融合处理后的融合显著性图进行显著性细化处理，得到最终的协同显著性图像。

进一步，所述步骤1的具体处理方法包括以下步骤：

⑴将图像过分割成多尺度分割图并进行特征提取；

⑵采用背景先验方法进行显著性先验处理；

⑶进行显著性计算。

进一步，所述步骤⑴的方法为：将对于输入的图像，使用SLIC方法将输入的图像分割成超像素，并提取出122维的位置特征、颜色特征和纹理特征。

进一步，所述步骤⑶的显著性计算方法采用如下显著性模型进行：

SP(i)为第i个超像素的显著性值，是第i个超像素第j个特征的显著性值。是第i个超像素所有特征的显著性值向量。

进一步，所述步骤2的具体方法为：首先，将一幅图像分割成不同的尺度；然后，计算每个尺度上的显著性图；最后，通过将所有尺度的显著性值乘以对应的自适应权重来计算融合显著性图。

进一步，所述自适应权重表示如下：

其中，Z是一个配分函数；

所述融合显著性图采用如下公式计算：

ωi代表了第i个尺度的显著性图的自适应权重，代表了第i个尺度的特征值，代表了多个尺度融合后的显著性图。

进一步，所述步骤3的处理方法包括：

⑴对当前图像进行平滑性处理，使得图像达到空间平滑；

⑵对图像进行协同显著性检测。

进一步，所述步骤⑴对当前图像进行平滑性处理的方法为：采用如下能量函数实现：

其中，S_I表示每个超像素i的显著性值，表示背景的概率，表示前景的概率，Nei(i)：表示第i个超像素的邻域，权重ω_ij：定义为：

其中，表示在CIE-LAB颜色空间中颜色均值的L2距离，

进一步，所述步骤⑵对图像进行协同显著性检测包括以下步骤：

①单一显著点检测：对于给定的一系列的图像I_set＝{I₁，I₂，...，I_n}，计算每幅图像的单一显著性图，用S_i表示第i个图像的单一显著性图；

②二值分割：使用自适应阈值T_i：把单一显著性图划分成二元掩膜M_i，T_i定义为：

T_i＝α·mean(S_i)

其中，α＝2；