[发明专利]一种基于全局先验和局部上下文的深度学习显著性检测方法

摘要

本发明公开一种基于全局先验和局部上下文的深度学习显著性检测方法，首先对彩色图像和深度图像进行超像素分割，基于每个超像素的紧凑性、独特性和背景性等中层特征，获得每个超像素的全局先验特征图，并进一步通过深度学习模型，得到全局先验显著图；然后，结合全局先验显著图和彩色图像与深度图像中的局部上下文信息，通过深度学习模型，得到初始显著图；最后，依据空间一致性和外观相似性优化初始显著图，得到最终显著图。应用本发明，解决了传统显著性检测方法无法有效检测到复杂背景图像中的显著物体，还解决了现有的基于深度学习的显著性检测方法由于提取出的高层特征存在噪声而导致误检的问题。

主权项

一种基于全局先验和局部上下文的深度学习显著性检测方法，其特征在于，包括以下步骤：步骤1)、将彩色图和深度图进行超像素分割；步骤2)、基于超像素的分割结果构建图模型，将每个超像素作为图模型中的顶点，构建无向图，每个超像素不仅和它相邻的超像素相连，而且和它相邻超像素的邻域超像素相连，并且位于边界的每个超像素互相连接，边的权值为两个超像素间的特征差异；步骤3)、生成全局先验显著图，具体为：首先，基于每个超像素的颜色、纹理、深度底层特征，计算其紧凑性、独特性和背景性中层特征；计算每个超像素与图像中所有超像素之间的中层特征差异，得到每个超像素对应的紧凑性、独特性和背景性特征图；组合这些特征图，生成每个超像素对应的全局先验特征图；将每个超像素对应的全局先验特征图作为全局先验深度学习模型的输入，得到全局先验显著图。步骤4)、生成初始显著图，具体为：首先，用彩色图像训练集中所有像素点的灰度值均值扩充彩色图，在扩充后的彩色图像上选取每个超像素对应的局部矩形框，将其和全局先验显著图一起作为卷积神经网络的输入，得到彩色局部上下文显著图，然后用深度图训练集中所有像素点的深度值均值扩充深度图，在扩充后的深度图像上获取每个超像素对应的局部矩形框，将其和彩色局部上下文显著图一起作为另一个卷积神经网络的输入，得到初始显著图；步骤5)结合空间一致性和外观相似性优化初始显著图，得到最终显著图。