[发明专利]一种结合边界连通性与局部对比性的显著性检测方法

摘要

本发明属于图像处理领域，涉及一种结合边界连通性与局部对比性的显著性检测方法，解决图像显著性检测问题。首先使用SLIC算法进行超像素的划分，通过Harris角点检测，利用局部对比性的特征，获取包围前景区域的凸包。然后利用聚类算法去除凸包中的背景区域，将获得的前景区域作为随机游走模型的吸收节点，并进行聚类内传播优化获取各超像素的前景概率。同时利用各区域边界连通性的特征，计算各超像素的背景概率。最后结合各超像素前景概率、背景概率得到一幅显著图，通过抑制背景超像素显著值得到最终显著图。该方法能够识别出图像中的最显著部分，得到更接近于真值图的显著图。

主权项

一种结合边界连通性与局部对比性的显著性检测方法，其特征在于，包括如下步骤：第一步，使用SLIC方法将整幅图像划分为300个超像素，并计算每个超像素的平均CIELab颜色特征值；同时，利用Harris角点检测得到图像中的角点，移除非常靠近边界的部分角点，然后利用这些剩余的角点来构造一个大致包围显著对象的凸包；第二步，构造凸包内精准前景区域；2.1)使用K‑means聚类算法，依据凸包内各超像素的L、A、B特征值将凸包内的超像素分为K类，K>2；2.2)利用边界先验，计算凸包内各超像素距边界超像素的色彩欧式距离，令凸包外超像素显著值全为0，用公式(1)计算凸包内第k个聚类中的第i个超像素的显著值Sk(i)，0<k<＝K：Sk(i)=1NedgeΣj=1Nedge1e-||ci,cj||2σ12+β---(1)]]>其中Nedge代表边界超像素总的个数，||ci,cj||是第i个和第j个超像素在CIELab颜色空间中的欧氏距离，σ1，β是平衡权重；凸包中第k个聚类所在区域的显著值Sk用公式(2)计算：Sk=1NclukΣi=1NclukSk(i)---(2)]]>其中代表第k个聚类中超像素总数量，Sk(i)代表第k个聚类中第i个超像素的显著值；2.3)使用公式(3)对凸包聚类进行优化；若凸包内各聚类的显著值都不小于0.6则不作处理；若显著值有小于0.6的则进行归一化操作，使显著值最低的聚类区域显著值为0；其中min(Sk)表示K个聚类中的最小显著值，max(Sk)表示K个聚类中的最大显著值，至此便得到了较为准确的前景区域；第三步，利用随机游走模型获得各超像素显著值；先建立一个图模型G＝(V,E)，其中V代表图中所有超像素，E代表超像素间连边；在图模型中使得每个超像素与它的直接邻居还有它邻居的邻居都相邻，另外使得所有边界的超像素彼此相邻，相邻超像素间有边相连；建立顶点V间的一个邻接矩阵其中Nsup表示超像素的数目，没有边连接的位置Wij＝0，有边连接的位置权值计算如公式(4)：Wij=e-||ci,cj||2σ22---(4)]]>其中||ci,cj||表示相邻两超像素i和j之间CIELab颜色空间中的欧式距离，在这一步中我们利用第二步中得到的前景区域，计算前景区域中平均显著值Save，将前景区域中超像素显著值大于0.6Save的超像素视为吸收节点，将所有超像素视为转移节点，构造随机游走模型转移矩阵P的标准格式如公式(5)所示：P=QR0I---(5)]]>其中Q表示转移节点间概率转移矩阵，Q＝D‑1W，Q中元素Qij表示从第i个节点转移到第j个转移节点的概率；R表示转移节点与吸收节点间的转移概率矩阵，R＝D‑1A，R中元素Rij表示从第i个节点转移到第j个吸收节点的概率；这里Nabsorb表示吸收节点的数目，aij表示第i个超像素与第j个吸收节点间的权值；D＝D1+D2，D1是图G的度矩阵，表示邻接矩阵W中第i行的和；表示矩阵A中第i行的和；0表示Nabsorb×Nsup阶的0矩阵，I表示Nabsorb×Nabsorb阶的单位矩阵；转移矩阵P的基本矩阵N的计算公式如公式(6)：N＝(I1‑Q)‑1  (6)其中I1表示与Q同维度的单位矩阵，矩阵N的每个元素Nij表示节点i经过转移节点j可以到达吸收节点的次数；随机游走模型的吸收概率矩阵B表示为公式(7)所示：B＝NR  (7)其中B中每一个元素bij表示从节点i转移到吸收节点j的概率；接下来对吸收概率矩阵B进行行排序，使得矩阵B每行从左到右递减，并取前40％的显著值相加作为每一行所对应超像素的显著值；如公式(8)所示：SB(i)=Σj=10.4NabsorbbijS---(8)]]>其中SB(i)表示第i个超像素的显著值，表示行排序后矩阵B中第i行第j列的值，Nabsorb表示吸收节点的数目；第四步，利用聚类内显著值传播机制优化显著图；先将整幅图根据CIELab特征，使用K‑means算法划分为K类，然后在每一个聚类内综合考虑其他超像素的影响来优化每个超像素的显著值；首先设置每个超像素i的显著值为Spro(i)＝SB(i)，每个超像素更新后显著值的计算公式如公式(9)，公式(10)所示：Spro*K(i)=μ1SproK(i)+μ2Σj=1nkWijKSproK(j)Σj=1nkWijK---(9)]]>WijK=e-||ciK,cjK||22σ32---(10)]]>其中代表利用聚类内显著值传播机制优化后第K个聚类内第i个超像素的显著值，代表传播之前第K个聚类内第i个超像素的显著值；μ1代表自身显著值的影响权重，μ2代表与超像素在同一个聚类内其他超像素的影响权重；nk代表第k个聚类内超像素数目；表示同在第K个聚类中的第i个超像素与第j个超像素间的关联权值；表示同在第K个聚类中的第i个超像素与第j个超像素间的CIELab颜色欧式距离；表示CIELab空间中3个维度方差和的均值；第五步，利用边界连通性计算各超像素背景概率；5.1)计算每个区块的边界连通性，计算公式如下：bdconn(RGm)=|{SPi|SPi∈RGm,SPi∈BD}||{SPi|SPi∈RGm}|---(11)]]>其中RGm代表图像中第m个区块，bdconn(RGm)代表第m个区域的边界连通性，SPi代表图像中第i个超像素，BD代表边界区域；5.2)计算各区块中超像素的边界连通性；计算公式如下：bdconn(SPi)＝bdconn(RGm).(SPi∈RGm)  (12)其中超像素i的边界连通性与其所在区块的边界连通性相同；5.3)计算各超像素的背景概率；计算公式如下：bgPro(SPi)=1-e-[bdconn(SPi)]22σ42---(13)]]>其中bgPro(SPi)代表第i个超像素的背景概率，σ4是平衡权重；第六步，综合边界连通性与局部对比性获得优化的显著图，计算公式如下：cost=Σi=1NsupfgPro(SPi)*(Si-1)2+Σi=1NsupbgPro(SPi)*Si2+Σi,jWij(Si-Sj)2---(14)]]>fgPro(SPi)=Spro*k(i)---(15)]]>Wij=e-||ci,cj||22σ52+λ---(16)]]>其中Si，Sj(i,j＝1,2,...,Nsup)为优化后的超像素显著值，cost为花费，费用函数(14)旨在使得总体花费最低；fgPro(SPi)表示超像素i的前景概率，取值为公式(9)中超像素i传播后的显著值；Wij为超像素i，j间的相似系数，||ci,cj||为超像素i，j间CIELAB色彩空间欧氏距离；λ是常量，σ5是平衡权重；第七步，抑制背景超像素显著值，得到最终显著图，计算公式如下：S*(i)=Si,Si>tSi2/t,Si≤t---(17)]]>其中S*(i)为最终显著图中第i个超像素显著值，t为显著值阈值。