[發明專利]基于自學習特征和矩陣低秩復原的視覺顯著性檢測方法

有效

• 申請號: 201610926623.0
• 申請日: 2016-10-31
• 公開（公告）號: CN106447667B
• 公開（公告）日: 2017-09-08
• 發明（設計）人: 錢曉亮;趙曉君;張煥龍;張鶴慶;曾黎;王延峰;楊存祥;毋媛媛;劉玉翠;吳青娥;刁智華;賀振東;陳虎;過金超;張秋聞
• 申請（專利權）人: 鄭州輕工業學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62
• 代理公司: 鄭州優盾知識產權代理有限公司41125
• 代理人: 張紹琳,栗改

技術領域

本發明涉及視覺顯著性檢測的技術領域，特別是指一種基于自學習特征和矩陣低秩復原的視覺顯著性檢測方法。

背景技術

視覺顯著性檢測的實質是計算圖像中各個部分吸引人們視覺注意的程度。近些年，隨著大數據時代的到來，人們對圖像等數據的需求不斷增加，快速并準備地從中獲取更多有效信息顯得十分有必要。通過視覺顯著性檢測能夠迅速定位輸入圖像中較為吸引人注意的區域，能夠顯著減少海量輸入圖像的數據，以不同的次序和力度對各個場景區域進行選擇性加工，從而避免計算浪費，同時又降低了分析難度。

在視覺顯著性的檢測過程中，特征提取是其中的一個重要環節，對最終輸出的顯著圖像有較大影響?，F有方法的特征提取環節大部分都是基于特定的策略，可大致分為兩類：1)基于手工設定的特征提取模板；2)基于數據驅動的特征提取模板。第一類特征提取方法在保證檢測出輸入圖像的特征完整性的同時，通常會使用多個特征提取算子，但是這些特征算子之間存在大量的信息冗余，造成了運算資源的浪費。第二類特征提取方法雖然不是手工設定而是根據訓練樣本學習得到的，但是由于受訓練樣本范圍的限制，學習得到的特征提取模板不可能對任何圖像都有效，存在適應性的問題。

發明內容

為了解決上述技術問題，本發明提出基于自學習特征和矩陣低秩復原的視覺顯著性檢測方法，其中，自學習特征提取的方法不僅適用于各類型的輸入圖像，同時也不受訓練樣本的限制，從而顯著提高了視覺顯著性檢測的準確率。

本發明的思想在于：1)根據輸入圖像的原始數據自適應的學習出一組特征提取模板，利用該特征提取模板對輸入圖像進行卷積，得出輸入圖像的特征矩陣；2)對特征矩陣進行低秩矩陣復原，分解出一個低秩矩陣和一個稀疏矩陣，其中稀疏矩陣代表輸入圖像的顯著區域；3)通過求解稀疏矩陣每列的1范數和高斯模糊等后處理方法，得到輸入圖像的視覺顯著性檢測結果。

本發明的技術方案是：一種基于自學習特征和矩陣低秩復原的視覺顯著性檢測方法，其步驟如下：

步驟一：獲取自學習特征：

步驟1：預處理：

1)圖像縮放：

對大小為k×g的原始圖像進行等比例縮放，縮放比例為a，縮放后的圖像大小為ak×ag，其中，k、g均是非負整數，0<a<1，ak＝round(k×a)，ag＝round(k×g)，round(·)代表四舍五入運算；

2)圖像分塊：

從縮放后圖像的左上角到右下角采用b×b的滑動窗口順次截取b×b的圖像塊，每個圖像塊都與水平和垂直方向的相鄰圖像塊之間有50％的區域重疊，與±45°方向的相鄰圖像塊之間有25％的區域重疊；將截取的所有圖像塊轉換成列向量，并按照截取的次序組合成一個圖像塊向量矩陣，標記為：X＝[x₁,x₂,...x_N]∈C^m×N；其中，C代表自然數集合，x_i,i∈[1,N]代表第i個圖像塊對應的列向量，N是圖像塊x_i的個數；m是圖像塊x_i的維數，m＝b×b×c，c為圖像通道數，b≥4，且b必須為偶數；

步驟2：自學習特征提取：

1)特征提取模板自學習：

將圖像塊矢量矩陣X作為訓練樣本集，自適應的特征提取模板W可通過求解如下目標函數最小化問題得到：

其中，W＝[w₁,w₂,...w_n]∈R^m×n，R代表實數集合，n代表特征提取模板W中基向量的個數；α_i是計算過程中的一個中間變量，其初值通過隨機數設定；||·||₁和||·||₂分別代表1范數運算和2范數運算，λ是公式(6)中用于平衡誤差和稀疏性的折衷參數；

2)獲取自學習特征矩陣：

任意一個圖像塊x_i的特征向量f_i可通過下式得到：

f_i＝x_i**W(2)；

其中，**代表卷積運算；圖像塊x_i的特征向量f_i∈Rⁿ，所有圖像塊對應的特征向量聯合組成圖像的自學習特征矩陣：F＝[f₁,f₂...,f_N]；

步驟二：基于自學習特征的矩陣低秩復原：