[發(fā)明專利]一種使用LLC準(zhǔn)則定位圖像前景的方法

有效

• 申請?zhí)枺?/td>: 201710263340.7
• 申請日: 2017-04-21
• 公開（公告）號: CN107067037B
• 公開（公告）日: 2020-08-04
• 發(fā)明（設(shè)計）人: 楊春蕾;普杰信;謝國森;劉中華;梁靈飛;董永生;司彥娜
• 申請（專利權(quán)）人: 河南科技大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/40;G06K9/46
• 代理公司: 洛陽公信知識產(chǎn)權(quán)事務(wù)所(普通合伙) 41120
• 代理人: 劉興華

本發(fā)明涉及一種使用LLC準(zhǔn)則定位圖像前景的方法，從標(biāo)準(zhǔn)測試集中選取大量隨機(jī)圖像，結(jié)合其顯著區(qū)域真值標(biāo)注圖，提取圖像前景的先驗知識、形成LLC碼本，使用LLC準(zhǔn)則對待測圖像的各個區(qū)域是否屬于前景進(jìn)行粗分類，并給出相應(yīng)的顯著性概率值；使用距圖像中心的質(zhì)心距離、局部Lab顏色對比值和全局Lab顏色對比值等基于對比的特征描述圖像超像素區(qū)域，并用來學(xué)習(xí)前景\背景的典型特征作為指導(dǎo)圖像超像素區(qū)域分類的先驗知識，從經(jīng)驗角度獲取高層知識只需學(xué)習(xí)一次即可多次指導(dǎo)區(qū)域分類，與僅從當(dāng)前圖像提取高層知識的方法相比不僅大大加快了前景定位的速度，而且用來提取的優(yōu)勢查詢可使基于流形排序所獲得的顯著圖中前景邊界更加清晰、噪聲更少。

技術(shù)領(lǐng)域

本發(fā)明涉及模式識別技術(shù)、信息融合技術(shù)、信息編碼技術(shù)和數(shù)字圖像處理技術(shù)領(lǐng)域，具體的說是一種使用LLC準(zhǔn)則定位圖像前景的方法。

背景技術(shù)

模式識別技術(shù)是指對表征事物或現(xiàn)象的各種形式的（數(shù)值的、文字的和邏輯關(guān)系的）信息進(jìn)行處理和分析，以對事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類和解釋的過程，是信息科學(xué)和人工智能的重要組成部分。顯著性檢測中的模式識別指的是對圖像中背景和目標(biāo)的識別與分類。顯著目標(biāo)是圖像中從背景中突出的人或事物，一般包含更多人們感興趣的、更有用的信息。顯著目標(biāo)檢測的主要任務(wù)即檢測并標(biāo)定出顯著目標(biāo)所在的區(qū)域。由于檢測結(jié)果可以被直接使用，因此，顯著目標(biāo)檢測廣泛應(yīng)用于目標(biāo)識別、圖像分割、圖像檢索等領(lǐng)域。

常用的顯著目標(biāo)檢測技術(shù)主要有基于局部對比的顯著區(qū)域檢測技術(shù)，如：基于局部對比和模糊生長技術(shù)、多尺度中心-周圍直方圖和顏色空間分布對比技術(shù)等；以及基于全局對比的顯著區(qū)域檢測技術(shù)。顯著目標(biāo)檢測技術(shù)中的關(guān)鍵是通過像素、超像素、區(qū)域塊等檢測單位間的局部或全局特征差來確定各個檢測單位的顯著值，因此，特征提取是計算特征差的基本步驟。由于顯著顏色是引起人類視覺注意的最根本特征，人們通常選取顏色計算特征差。目前許多顯著目標(biāo)檢測模型雖然在單顯著目標(biāo)和簡單背景場景下的性能已接近測試集的標(biāo)準(zhǔn)，但在多目標(biāo)和復(fù)雜背景下，尤其是在顯著目標(biāo)與背景相融的場景下不能取得較好的表現(xiàn)。當(dāng)圖像場景復(fù)雜時，顏色特征可能不足以作為目標(biāo)與背景的分類依據(jù)。這是因為場景的復(fù)雜通常表現(xiàn)為以下特性：1、場景中含有多個結(jié)構(gòu)復(fù)雜的目標(biāo)，并可能部分相互重疊；2、目標(biāo)區(qū)域呈不規(guī)則形狀； 3、目標(biāo)分布于圖像四周；4、目標(biāo)與背景具有相似的色調(diào)，或者二者均具有雜亂的色調(diào)。在上述特性中，最后一個特性是難以用顏色特征差將目標(biāo)從背景中提取出來的，此時紋理特征差將可作為顯著目標(biāo)檢測的重要依據(jù)。此外，位于圖像中心區(qū)域的事物往往被最先注意，背景常分布在圖像四周的邊界區(qū)域，這就凸顯了區(qū)域間的空間關(guān)系特征的優(yōu)勢，該特征也可為顯著性檢測提供了可參考的線索。當(dāng)顏色差不足以提供顯著目標(biāo)檢測的線索時，如何運用圖像的多個特征并將它們有效地融合是需要解決的關(guān)鍵問題。另一方面，由于圖像場景復(fù)雜時機(jī)器視覺難以將前景從雜亂的背景中檢測出來，造成多種先進(jìn)算法生成的顯著圖中存在前景區(qū)域附近噪聲較多、甚至前景邊界模糊的現(xiàn)象，提高了進(jìn)一步的前景或目標(biāo)識別的難度。

圖像前景的定位技術(shù)屬于圖像顯著性檢測技術(shù)中非常重要的一個環(huán)節(jié)，在使用先驗知識或其他深度信息進(jìn)行分析后，圖像前景被粗略地定位，在此基礎(chǔ)上進(jìn)一步進(jìn)行細(xì)致地檢測可使生成的顯著圖精準(zhǔn)度更高，而且檢測時間會大大加快。

基于局部性約束的線性編碼（Locality-constrained Linear Coding，簡稱LLC）是一種高效且魯棒的分類技術(shù)，最初主要用于圖像分類。由于強(qiáng)調(diào)稀疏編碼過程中的“特征局部性”，其使用促使圖像分類的正確率提高很多。同時，LLC方案還具有快速性的特點，其原理簡單，大大縮短了編碼所需的時間。

特征向量模型（Feature Vector Model）被廣泛使用于圖像處理領(lǐng)域。多個特征數(shù)據(jù)可按照“均一權(quán)值”或“差額權(quán)值”的方式被融合入一個向量中表示，表示方法簡單且易于參與運算。本發(fā)明僅涉及“均一權(quán)值”的向量模型來融合圖像區(qū)域的質(zhì)心、顏色和紋理特征。