[发明专利]融合颜色对比图和颜色空间分布图的图像显著性检测方法

摘要

本发明公开了一种融合颜色对比图和颜色空间分布图的图像显著性检测方法。通常的自下而上的图像显著性检测方法是利用图像的颜色、亮度、边缘等底层特征来计算。本发明综合图像底层颜色对比特征图和图像颜色空间分布特征图来得到最后的显著性图。首先根据SLIC超像素分割后的图像求取图像的颜色对比特征图，接着，利用K‑Means聚类后的图像通过计算获得初步的颜色空间分布特征图，再映射到超像素分割图上，进而根据图像颜色的相似度来进一步优化颜色分布特征图。最后融合颜色对比特征图和优化后的图像颜色空间分布特征图得到最终的显著图。本发明能够在较低的时间复杂度内得到较准确、完整的显著图。

主权项

1.融合颜色对比图和颜色空间分布图的图像显著性检测方法，其特征在于：该方法的具体步骤是：步骤1、将输入图像进行平滑处理，得到平滑图像；步骤2、利用SLIC超像素分割算法将平滑图像分割成超像素图，并计算每个超像素的平均颜色和平均位置：其中，R_i表示第i个超像素，像素I_i∈R_i，为像素I_i的颜色向量，为像素I_i的位置向量，c_i为R_i中所有像素的平均颜色向量，p_i为R_i中所有像素的平均位置向量，|R_i|表示R_i中像素的个数；步骤3、利用中心‑周围原则计算超像素图中每个超像素的颜色对比值F_i，得到颜色对比图；其中，C(c_i,c_j)＝||c_i‑c_j||表示c_i与c_j的欧氏距离，W^p(p_i,p_j)是调节对比值的空间权重，P(p_i,p_j)＝||p_i‑p_j||表示p_i与p_j的欧氏距离；1/Z_i是使得的归一化因子，σ_p取值0.5，exp为指数运算，N＝|R_i|‑1，c_j为R_j中所有像素的平均颜色向量，p_j为R_j中所有像素的平均位置向量，R_j表示第j个超像素；步骤4、利用K‑Means聚类算法把平滑图像按照颜色聚类分割为M个类，M≤10，得到聚类图，类又称为颜色分量；按下式计算每个颜色分量的平均颜色和平均位置；其中，G_i表示第i个颜色分量，像素P_i∈G_i，为像素P_i的颜色向量，颜色向量采用l分量、a分量和b分量表达，P_i^p为像素P_i的位置向量；c^g_i为颜色分量G_i的平均颜色向量，即颜色分量G_i在颜色上的聚类中心；p^g_i为颜色分量G_i的平均位置向量，即颜色分量G_i在空间上的聚类中心，|G_i|表示颜色分量G_i中像素的个数；步骤5、计算聚类图中的类内空间方差、类间空间方差以及类内颜色方差；其中，V_iⁱⁿ和V_i^out分别表示颜色分量G_i的类内空间方差和类间空间方差，表示颜色分量G_i的类内颜色方差，表示颜色分量G_j在空间上的聚类中心；步骤6、将步骤5求得的类间空间方差、类内空间方差以及类内颜色方差非线性组合成初步的颜色空间分布值；采用高斯权值为类内颜色方差分配权重，即取5；步骤7、由聚类图得出每个类初步的颜色空间分布值之后，映射到超像素图上进行优化，得到优化的颜色空间分布值D_i′，并进行归一化处理，得到优化的颜色空间分布图：其中，U_i是指超像素R_i的邻接超像素个数；K_i和K_j分别是超像素R_i和超像素R_j的初步的颜色空间分布值，v_i指超像素R_i中每个像素点初步的颜色空间分布值；步骤8、融合颜色对比图和优化的颜色空间分布图，得到显著图；S_i＝F_i·D_i′        (11)由于F_i和D_i′都与显著图成正比，所以，若某一处超像素的灰度值为零，从公式(11)得出最后的显著图中相应的S_i也为零。