[发明专利]一种基于被包围状态和贝叶斯模型的图像显著性检测方法

摘要

本发明提出了一种基于被包围状态和贝叶斯模型的图像显著性检测方法，目的在于检测出图像中的显著性物体。包括：1)通过计算图像中的被包围区域预测注视区域，也就是显著物体大致区域；2)使用简单线性迭代聚类算法对原始图像处理得到图像的超像素，利用归一化割算法对超像素进行分层聚类，得到三层聚类结果；3)基于已经计算得到的注视区域和三层聚类结果，利用贝叶斯模型分别进行计算得到图像的三层显著图；4)最后融合这三层显著图得到最终的显著图。本发明能够找到图像中显著物体，同时提高了显著性检测的准确率。

主权项

一种基于被包围状态和贝叶斯模型的图像显著性检测方法，其特征在于以下步骤：第一步，计算包括显著物体的注视区域；第二步，建立超像素图的模型G＝(V,E)；其中，V是超像素节点的集合，E是建立的边的集合；第三步，基于Ncut对超像素进行聚类得到三层聚类结果和3.1)建立Ncut模型基于第二步得到的超像素图的模型G，定义W＝(ωij)mm作为模型G的邻接矩阵，其中m＝200,表示超像素的数量；是模型G的度矩阵，其中得到模型G的拉普拉斯矩阵L＝D‑W；对于两个子集A和B之间割的花费定义如下：cut(A,B)=Σi∈A,j∈Bωij---(7)]]>定义为A的补集，给定m个子集，Ncut计算出m个子集之间割的最小值，定义如下：Ncut(A1,A2,...,Am)=Σi=1mcut(Ai,A‾i)assoc(Ai,V)---(8)]]>assoc(Ai,V)=Σi∈A,j∈Vωi,j---(9)]]>为每一个Ai定义一个指示向量，指示向量通过求D‑1L的前q个最小的特征向量得到，从而求解公式(8)，其中，q＝9；3.2)利用Ncut得到聚类信息定义求解D‑1L的前q个最小的特征向量为v1,v2,...,vq，对应的特征值为λ1,λ2,...,λq；在模型G中，如果超像素Si和Sj是邻接的，利用公式(10)重新构建超像素Si和Sj之间的关系权重；dij=Σk=1q1λk|vk(Si)-vk(Sj)|---(10)]]>3.3)计算得到三层聚类结果和定义三个阈值t1,t2和t3，其中t1＜t2＜t3；对于两个不同的区域，如果区域i和区域j之间的dij≤t1，则合并这两个区域为一个区域，经过计算得到第一层聚类结果基于第一层聚类结果将阈值设置为t2，经计算得到第二层聚类结果同样的方法，设置阈值为t3，经计算得到第三层聚类结果；最终，经过以上计算得到三层聚类结果和第四步，利用贝叶斯模型对每一层聚类结果进行处理，得到图像的三层初始显著图；4.1)先验图的计算对于聚类集中每个像素的先验显著性概率有如下定义：p(sal)=|cluster∪att||cluster|---(11)]]>其中，cluster定义一个聚类集合，att定义第一步(1.3)计算得到的注视图区域；4.2)观测似然度的计算在第一步中计算出的注视区域将图像分割为不相交两部分，定义注视区域为I，其余部分为O；观测似然概率的计算有如下定义：p(v|sal)=ΠF∈{1,a,b}NI(f(v))NI---(12)]]>p(v|bk)=Πf∈{1,a,b}N0(f(v))N0---(13)]]>其中，NI定义区域I中像素的数量，NO定义区域O中像素的数量，f(v)定义像素v在CIELab颜色空间的呈现，NI(f(v))和NO(f(v))定义NI包含f(v)以及NO包含f(v)的数量；4.3)初始显著图的计算利用贝叶斯框架，计算图像中每一个像素的显著概率，得到初始的显著图，通过如下公式定义计算出初始显著图：p(sal|v)=p(sal)p(v|sal)p(sal)p(v|sal)+p(bk)p(v|bk)---(14)]]>p(bk)＝1‑p(sal)                  (15)对于三层聚类结果，经过以上步骤的计算得到三层初始显著图和第五步，融合三层初始显著图，计算得到最终的显著图；5.1)计算最终显著图融合以上步骤计算得到的三层初始显著图，利用公式(16)计算得到最终的显著图；