[發(fā)明專利]一種基于區(qū)域候選樣本選擇的顯著性檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710247051.8
• 申請(qǐng)日: 2017-04-17
• 公開（公告）號(hào): CN107103608B
• 公開（公告）日: 2019-09-27
• 發(fā)明（設(shè)計(jì)）人: 張立和;周欽
• 申請(qǐng)（專利權(quán)）人: 大連理工大學(xué)
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06T7/194;G06K9/32;G06K9/34
• 代理公司: 大連理工大學(xué)專利中心 21200
• 代理人: 溫福雪;侯明遠(yuǎn)

本發(fā)明屬于人工智能技術(shù)領(lǐng)域，提供了一種基于區(qū)域候選樣本選擇的顯著性檢測(cè)方法。本發(fā)明提出的基于區(qū)域候選樣本選擇的顯著性檢測(cè)方法，在現(xiàn)有先驗(yàn)知識(shí)的基礎(chǔ)上，通過引入深度特征和分類器并采用由粗到細(xì)的選擇機(jī)制，評(píng)價(jià)區(qū)域候選樣本的顯著性和目標(biāo)性，然后又利用超像素進(jìn)一步優(yōu)化檢測(cè)結(jié)果，從而可以有效的檢測(cè)圖像中的顯著目標(biāo)。與傳統(tǒng)方法相比，檢測(cè)結(jié)果更加準(zhǔn)確。特別是對(duì)于多目標(biāo)或者目標(biāo)與背景很相似的圖像，本發(fā)明方法的檢測(cè)結(jié)果更加符合人類的視覺感知，得到的顯著圖也更加準(zhǔn)確。

技術(shù)領(lǐng)域

本發(fā)明屬于人工智能技術(shù)領(lǐng)域，涉及到計(jì)算機(jī)視覺，特別涉及到一種圖像顯著性檢測(cè)方法。

背景技術(shù)

隨著科技的發(fā)展，人們接收到的圖像、視頻等信息呈現(xiàn)爆炸式的增長(zhǎng)。如何快速有效的處理圖像數(shù)據(jù)成為擺在人們面前的一道亟待解決的難題。通常，人們只關(guān)注圖像中吸引人眼注意的較為顯著區(qū)域，即前景區(qū)域或顯著目標(biāo)，同時(shí)忽視背景區(qū)域。因此，人們利用計(jì)算機(jī)模擬人類視覺系統(tǒng)進(jìn)行顯著性檢測(cè)。目前，顯著性的研究可以廣泛應(yīng)用到計(jì)算機(jī)視覺的各個(gè)領(lǐng)域，包括圖像檢索、圖像壓縮、目標(biāo)識(shí)別和圖像分割等。

在顯著性檢測(cè)中，如何精準(zhǔn)的從圖像中將顯著目標(biāo)檢測(cè)出來(lái)是一個(gè)非常重要的問題。傳統(tǒng)的顯著性檢測(cè)方法存在很多不足，尤其面對(duì)比較復(fù)雜的多目標(biāo)圖像或者顯著目標(biāo)與背景之間很相似的情況時(shí)，檢測(cè)的結(jié)果往往不準(zhǔn)確。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是：彌補(bǔ)上述現(xiàn)有方法的不足，提出一種新的圖像顯著性檢測(cè)方法，使得檢測(cè)的結(jié)果更加準(zhǔn)確。

本發(fā)明的技術(shù)方案：

一種基于區(qū)域樣本選擇的顯著性檢測(cè)方法，步驟如下：

(1)提取待處理圖像對(duì)應(yīng)的區(qū)域候選樣本以及區(qū)域候選樣本的深度特征；

(2)采用由粗到細(xì)的選擇機(jī)制處理區(qū)域候選樣本，首先根據(jù)多個(gè)先驗(yàn)知識(shí)定義用于評(píng)價(jià)區(qū)域候選樣本目標(biāo)性和顯著性的評(píng)價(jià)指標(biāo)，具體的定義如下：

區(qū)域候選樣本對(duì)應(yīng)的目標(biāo)區(qū)域中心周圍對(duì)比度(CS)：其中，a_ij表示超像素i和j之間的相似度，n_f和n_s分別表示區(qū)域候選樣本的目標(biāo)區(qū)域和對(duì)應(yīng)的周圍背景區(qū)域中所包含的超像素的數(shù)量；

區(qū)域候選樣本對(duì)應(yīng)的目標(biāo)區(qū)域內(nèi)部相似度(HG)：

區(qū)域候選樣本對(duì)應(yīng)的目標(biāo)區(qū)域全局邊界一致性(GE)：其中，和λ為常數(shù)，E和P分別表示待處理圖像邊緣輪廓先驗(yàn)圖和區(qū)域候選樣本的邊緣輪廓像素集，函數(shù)|*|計(jì)算給定集合中所包含樣本的數(shù)量；

區(qū)域候選樣本對(duì)應(yīng)的目標(biāo)區(qū)域局部邊界一致性(LE)：其中，表示超像素i中位于區(qū)域候選樣本前景區(qū)域中的像素個(gè)數(shù)，n_i表示超像素i包含的所有像素個(gè)數(shù)。δ(i)是一個(gè)指示函數(shù)，用來(lái)判斷超像素是否包含不同區(qū)域的像素，ρ²為常數(shù)。

區(qū)域候選樣本對(duì)應(yīng)的目標(biāo)區(qū)域位置先驗(yàn)(LC)：其中，和c_p和c_e分別表示區(qū)域候選樣本和待處理圖像邊緣輪廓先驗(yàn)圖的重心，n_pb表示區(qū)域候選樣本的目標(biāo)區(qū)域占據(jù)待處理圖像邊界的像素?cái)?shù)量。

根據(jù)定義上述的評(píng)價(jià)指標(biāo)，對(duì)區(qū)域候選樣本分兩個(gè)階段進(jìn)行排序；

在第一階段，首先將目標(biāo)區(qū)域大小占圖像面積低于3％或者超過85％的區(qū)域候選樣本去除，然后用上述五個(gè)評(píng)價(jià)指標(biāo)評(píng)價(jià)余下的區(qū)域候選樣本，保留排序分?jǐn)?shù)最大的前40％的區(qū)域候選樣本進(jìn)行多尺度聚類；疊加每個(gè)聚類中心的所有區(qū)域候選樣本，采用自適應(yīng)的閾值二值化疊加的結(jié)果，為每個(gè)聚類中心產(chǎn)生一個(gè)代表樣本；

最后再次采用上述五個(gè)評(píng)價(jià)指標(biāo)評(píng)價(jià)每個(gè)聚類中心的代表樣本，輸出排序分?jǐn)?shù)最高的樣本作為偽真值，用于第二階段處理；