[发明专利]基于多核增强和显著性融合的RGBD图像协同显著性检测方法

摘要

本发明公开了一种基于多核增强和显著性融合的RGBD图像协同显著性检测方法。具体步骤为：(1)、将一组具有共同显著对象的彩色图像分割成若干区域，并计算单张RGBD图像显著性图；(2)、样本选择，选出最优聚类结果中类协同显著性值最大的那个类，将这个类中的区域作为正样本，将单张图像显著性值低于阈值的区域作为负样本；(3)、用图像随机采样的方法生成不同的训练集来学习多个不同的模型，以得到基于多核增强的协同显著性图；(4)、将步骤(3)得到的基于多核增强的协同显著性图和步骤(2)得到的基协同显著性图进行线性融合，得到融合协同显著性图，并评价每张融合协同显著性图的质量，以这个质量评价为权重进行自适应的融合，得到最后的RGBD图像的协同显著性图。

主权项

一种基于多核增强和显著性融合的RGBD图像协同显著性检测方法，其特征在于该方法的具体步骤如下：a.输入原始图像和深度图像N表示图像的总张数，用基于随机森林的RGBD显著性模型得到单张图像的RGBD显著性图，再采用基于轮廓的图像分割算法对输入的原始图像进行预分割，每张图像被分为Q个区域，表示图像In的每个区域，用该区域所有像素点的单张RGBD显著性值的平均值作为该区域的RGBD显著性值，将区域的RGBD显著性值大于阈值T1的区域选为候选对象区域；b.将步骤a所得的候选对象区域进行聚类，根据聚类结果选择候选的正负样本：取聚类质量最好的那次聚类结果，得到基协同显著性图把这次聚类结果中聚类显著性值最大的那个类的区域作为正的候选样本，取显著性值低于某个设定的阈值T2且位于图像四周的区域作为负的候选样本，所述的聚类显著性值由以下三个值决定：这个类中的所有区域的平均显著性值，这个类中所有区域的各个特征间的欧式距离，以及这个类中区域所属的图像张数占总图像张数的比例；c.学习模型：对于模型t，首先生成一个随机数INt,1≤INt≤N，从原始图像集中随机有放回地选择INt张图像，构成第t个图像组，从步骤b中得到的正的候选样本中选择出属于这个图像组的区域作为正样本，标记为+1，从步骤b中得到的负的候选样本中选择出属于这个图像组的区域作为负样本，标记为‑1，得到样本总数为H的第t个训练样本集其中，ri和li表示样本i的二值标签；由此训练得到模型t，将其应用到所有N张图像的所有区域，从而得到模型t对应的基于多核增强的协同显著性图这样，根据一个图像组就学习到了一个模型，实验中，共生成TT个图片组，也就是学习TT个模型；综合考虑实验效果和执行时间，将TT设为这个图像总张数N的3倍；d.将步骤c得到的图和步骤b得到的相应BCS图进行线性融合，得到融合协同显著性图；并评价每张融合协同显著性图的质量；以这个质量评价为权重进行自适应的融合，得到最后的协同显著性图。