[发明专利]一种基于水平集超像素和贝叶斯框架的显著性检测方法

摘要

本发明属于图像处理领域，涉及一种基于水平集超像素和贝叶斯框架的显著性检测方法，解决图像显著性检测问题。首先，对水平集方法的结果分割合并，得到适应图像不同区域大小的新超像素。其次，使用图像内部与边缘超像素之间的颜色和距离差异来构建显著性图。然后，使用新超像素来表示显著区域，在贝叶斯框架下提出了三种更新算法，更新显著性图得到显著性结果，同时更新算法可以把现有算法结果优化提高到一个相似水平。最后，使用基于人脸识别的检测算法来处理包含人的图片。该方法能够识别出图像中的最显著部分，同时能够将现有算法的结果提高到一个更优的水平。

主权项

1.一种基于水平集超像素和贝叶斯框架的显著性检测方法，其特征在于，包括如下步骤：第一步，应用基于灰度不均匀的水平集方法对图像进行分割，得到初始超像素；第二步，分割合并第一步得到的初始超像素，得到新的超像素，使新的超像素适应图像中不同区域的大小；所述的第二步中对超像素分割合并的包括以下三种方法：2.1)将整幅图像转换成灰度图像，使用K均值聚类算法将灰度图像按照灰度值分成K类，将聚类后的每一类与初始超像素中每个大的超像素的交集从初始超像素中分离出来,作为一个新的超像素，新的超像素存在小的超像素；2.2)使用K均值算法将初始超像素中每个大的超像素内部分成K类,将K类超像素从初始超像素中分离出来,每一类作为一个新的超像素，新的超像素存在小的超像素；2.3)使用边缘检测处理初始超像素，分别计算Roberts算子、Prewitt算子、Sobel算子，合并三种算法的结果，得到新的边缘检测结果，保存在一个跟输入灰度图片大小相同的二维矩阵中，二维矩阵中1表示边缘，0表示内部；计算初始超像素中每个超像素中0的像素个数所占的比例T，若T≥0.95，则在该超像素相邻的超像素中查找最大的超像素，若最大的超像素与该超像素颜色相近，把该超像素合并到最大的超像素中，得到一个新的超像素，新的超像素存在小的超像素，否则不进行合并；上述步骤2.3)的方法分割合并过程中用到超像素的颜色特征，两个超像素的颜色差异difc由公式(1)得到：difc＝Pc_i,c_jP                   (1)其中，Pc_i,c_j P是超像素i和j在CIELAB空间中的欧式距离；difc是两个超像素的颜色差异，设定difc＜0.2时表示两个超像素的颜色相近；第三步，合并第二步得到的新的超像素中小的超像素，得到最终超像素；所述的小的超像素为在超像素内部像素个数小于200的超像素；3.1)小于30的过小超像素直接合并到与其相邻的超像素中大于该超像素的超像素中；3.2)大于等于30的小的超像素，将该超像素与相邻的大的超像素进行颜色特征和距离特征的比较，选择其中一个最相近的超像素进行合并；第四步，构建初始显著性图以图像边缘部分的最终超像素为基础，使用K均值聚类算法将边缘超像素分成3类，超像素与每类边缘超像素的颜色差异由公式(2)计算，超像素与每类边缘超像素的距离关系由公式(3)计算；基于图像边缘超像素得到的颜色差异和距离差异，得到一个初始显著性图S，S用公式(4)计算：其中，σ₁＝0.2；β＝10；σ₂＝1.3；p^k是属于第k类超像素的总数；sk_,i是以第k个边缘聚类为基础，第i个超像素的显著性值；w_k,i是以第k个边缘聚类为基础，第i个超像素的空间距离；ri和rj是超像素i和j的坐标；第五步，贝叶斯框架下的图像显著性检测，得到一个灰度检测性图将最终超像素作为图像的显著部分，并将图像分成两部分：显著区域I和非显著区域O，利用贝叶斯框架对图像进行显著性检测，得到一个灰度检测性图，图中每个像素对应的灰度值代表该像素属于显著部分的可能性；由公式(5)和公式(6)计算每个像素的后验概率：p(bk)＝1‑p(sal)                   (6)其中，v表示像素，p(sal|v)是p(sal＝1|v)的简写，表示后验概率，p(sal)是一个像素是显著像素的先验概率，p(v|sal)是p(v|sal＝1)的简写，代表观测似然概率，p(v|bk)是p(v|bk＝1)的简写，代表观测似然概率；基于最终超像素和贝叶斯框架的显著性更新算法SUNSB，通过以下三个步骤表示显著区域I和非显著区域O，代入公式(5)中计算观测似然概率：5.1)以图像中不显著的部分作为显著区域I将第四步得到的初始显著性图的四条边上的最终超像素和除了四条边之外的所有显著性值小于等于0.2的最终超像素作为非显著区域O，剩下的所有超像素作为显著区域I，代入公式(5)中进行计算，降低被误划入显著部分的非显著像素的显著性；5.2)以显著性图中最显著的部分作为区域I在第四步得到的初始显著性图中查找显著性值大于等于0.8的超像素作为显著区域I，剩下的所有超像素作为非显著区域O，代入公式(5)中进行计算，增加被误划入非显著区域的显著像素的显著性；5.3)最终超像素中存在多个显著性值大于等于0.8的显著性强的超像素，将每个显著性强的超像素作为显著区域I，剩下的所有超像素作为非显著区域O，分别代入公式(5)中进行计算，多次更新显著性图；第六步，在灰度检测性图中的显著部分包含多个超像素，由相邻超像素之间的相似性增加超像素显著性，利用SUNSB算法中的三种观测似然概率的计算方法，在贝叶斯框架下更新显著性图；所述的显著部分中超像素的显著性值大于等于0.8；所述的sal由公式(7)计算：其中，meandif是与显著部分相邻的超像素与显著部分中所有超像素颜色差异的均值，meandis是与显著部分相邻的超像素与显著部分中所有超像素的距离均值，meansal是显著部分中超像素大小的均值，ns为当前计算的与显著部分相邻的超像素的大小，sal是与显著部分相邻的超像素的显著性值需要增加的值，σ₁＝1.3，σ₂＝0.9；第七步，基于人脸识别的显著性更新使用Face++提供的接口对人脸进行检测，如果检测到人脸，则对第六步得到的更新后的显著性图进行显著性更新；如果没有检测到人脸，则图像的显著性不更新。