[發明專利]一種基于K-means聚類擬合的顯著性檢測優化方法

有效

• 申請號: 201710522004.X
• 申請日: 2017-06-30
• 公開（公告）號: CN107330431B
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 牛玉貞;林文奇;柯逍;陳羽中
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/46;G06K9/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

本發明涉及一種基于K?means聚類擬合的顯著性檢測優化方法，包括以下步驟：步驟S1：提取圖像的場景GIST特征；步驟S2：提取圖像的顏色直方圖特征；步驟S3：根據場景GIST特征和顏色直方圖特征計算圖像間的相似性；步驟S4：根據圖像間的相似性對圖像集合進行K?means聚類，分成k個相互獨立的圖像簇；步驟S5：計算每個圖像簇的擬合模型；步驟S6：判斷新的輸入圖像所屬的圖像簇，將該圖像簇的擬合模型作用在輸入圖像的顯著性圖上進行優化。該方法適用于多種顯著性檢測算法的優化，優化效果明顯。

技術領域

本發明涉及圖像和視頻處理以及計算機視覺技術領域，特別是一種基于K-means聚類擬合的顯著性檢測優化方法。

背景技術

人們關注圖像中的重要部分，并能自動提取這些信息。目前已經有很多提取圖像重要信息的顯著性檢測算法被提出。2013年Scharfenberger等人提出一種基于統計結構差異的顯著性檢測算法，該算法采用概率圖模型和視覺注意力約束來檢測顯著性對象。2014年Kim等人提出一種基于高維顏色空間轉換的顯著性檢測算法，將低維空間的RGB顏色映射到高維顏色空間的特征矩陣，通過查找顏色系數的最優線性組合來檢測顯著區域。2016年Tu等人提出一種基于距離轉換的顯著性檢測算法，采用最小生成樹估計顯著性檢測的邊緣連接度。

由于同一顯著性檢測算法采用相同的模型檢測顯著區域，因此計算得到的顯著性圖和人工標注的標注圖相比呈現相似的缺陷。受到這個工作的啟發，我們采用擬合模型對顯著性圖和人工標注圖之間的定量關系進行映射，并將擬合模型作用在新的顯著圖上進行優化。同時我們觀察到用更相似的圖像來計算擬合模型，擬合作用后的效果會更好。所以我們結合兩種具有代表性的圖像描述方法(描述圖像場景的GIST和描述圖像色彩的顏色直方圖)計算圖像的相似性，并根據圖像的相似性進行K-means方法聚類，將圖像集合分成相互獨立的k個圖像簇，然后判斷新的輸入圖像所屬的圖像簇，采用該圖像簇的圖像來計算擬合模型并作用在輸入圖像的顯著性圖上進行優化。經過聚類方法作用，可以排除差異大的圖像的干擾，算法優化效果更加明顯。綜上所述，本發明提出一種基于K-means聚類擬合的顯著性檢測優化方法，該方法適用于多種顯著性檢測算法的優化，優化效果明顯。

發明內容

本發明的目的在于提供一種基于K-means聚類擬合的顯著性檢測優化方法，該方法適用于多種顯著性檢測算法的優化，優化效果明顯。

為實現上述目的，本發明的技術方案是：一種基于K-means聚類擬合的顯著性檢測優化方法，包括以下步驟：

步驟S1：提取圖像的場景GIST特征；

步驟S2：提取圖像的顏色直方圖特征；

步驟S3：根據場景GIST特征和顏色直方圖特征計算圖像間的相似性；

步驟S4：根據圖像間的相似性對圖像集合進行K-means聚類，分成k個相互獨立的圖像簇；

步驟S5：計算每個圖像簇的擬合模型；

步驟S6：判斷新的輸入圖像所屬的圖像簇，將該圖像簇的擬合模型作用在輸入圖像的顯著性圖上進行優化。

進一步地，步驟S1中，提取圖像的場景GIST特征，包括以下步驟：

步驟S11：對任意一幅圖像，計算每個像素點R、G、B三個顏色通道的平均值得到強度圖像，計算公式為：

其中，(x,y)是像素點的空間位置坐標，q(x,y)是像素點(x,y)的強度圖像，R(x,y)、G(x,y)、B(x,y)分別是像素點(x,y)的R、G、B三個顏色通道；

步驟S12：對強度圖像q(x,y)進行離散傅里葉變換：