[發(fā)明專利]基于場景分類的模塊化處方式圖像顯著性檢測方法

有效

• 申請?zhí)枺?/td>: 201710827725.1
• 申請日: 2017-09-14
• 公開（公告）號: CN107622280B
• 公開（公告）日: 2020-06-12
• 發(fā)明（設(shè)計）人: 楊春蕾;普杰信;謝國森;劉中華;司彥娜;董永生;梁靈飛
• 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;G06K9/46
• 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: 宋晨煒

基于場景分類的模塊化處方式圖像顯著性檢測方法，根據(jù)圖像的FP顯著圖和bpGMR顯著圖構(gòu)成圖像場景色調(diào)復(fù)雜度表示模型；羅列在顯著性檢測過程中可能會使用到的所有檢測模塊，按照不同的簡單色調(diào)場景結(jié)構(gòu)類別和復(fù)雜色調(diào)場景結(jié)構(gòu)類別選取適用的檢測模塊構(gòu)成整體的檢測流程對待測圖像檢測,得到最終的顯著圖。解決圖像場景的“簡單色調(diào)復(fù)雜結(jié)構(gòu)”造成的前景目標(biāo)誤檢問題與“復(fù)雜色調(diào)”場景中的天空區(qū)域引起的前景目標(biāo)誤檢問題，借鑒醫(yī)生給病人根據(jù)不同病情、按照不同藥品或檢查手段的治療目標(biāo)而開具不同處方的方式，提出不同的場景特征應(yīng)使用不同的顯著性檢測方案，使得檢測更具針對性，從而提高圖像顯著性檢測的效果和效率。

技術(shù)領(lǐng)域

本發(fā)明涉及模式識別技術(shù)、數(shù)據(jù)分析建模技術(shù)、信息編碼技術(shù)和數(shù)字圖像處理技術(shù)。具體涉及模式分類技術(shù)、自然圖像顯著目標(biāo)檢測技術(shù)、圖像特征提取及融合技術(shù)、數(shù)據(jù)分析及建立分類模型技術(shù)、圖像超像素分割技術(shù)的基于場景分類的模塊化處方式圖像顯著性檢測方法。

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能夠接近測試集的標(biāo)準(zhǔn)，但在存在多目標(biāo)、大目標(biāo)或極小尺寸目標(biāo)的場景中，以及色調(diào)復(fù)雜場景下仍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)雜性通常表現(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)[1]，并可能部分相互重疊[2]；2、目標(biāo)區(qū)域呈不規(guī)則形狀[3]；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)。我們認(rèn)為“色調(diào)簡單且結(jié)構(gòu)簡單”的場景和“色調(diào)復(fù)雜且結(jié)構(gòu)復(fù)雜”的場景在需要進(jìn)行顯著性檢測和目標(biāo)識別的日常場景中并不多見，人們往往需要識別那些色調(diào)相對簡單但結(jié)構(gòu)較為復(fù)雜的場景中的目標(biāo)。然而，據(jù)已掌握資料，目前還沒有學(xué)者對圖像的場景結(jié)構(gòu)進(jìn)行針對性分類，現(xiàn)有的顯著性檢測算法也基本上是通用型的，算法不會根據(jù)場景的類別及特點調(diào)整檢測方法和流程，這是檢測算法在復(fù)雜場景中效果不佳的原因之一。另一方面，由于圖像場景復(fù)雜時機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，造成進(jìn)一步識別前景或目標(biāo)難度的增大。

數(shù)據(jù)分析及建立分類模型技術(shù)應(yīng)用在圖像顯著性檢測領(lǐng)域是一種通過分析特征提取后的數(shù)據(jù)，根據(jù)一定的分類目標(biāo)訓(xùn)練出分類模型的技術(shù)。分類模型?；诟咝У闹С窒蛄繖C[4]模型(Support Vector Machine，簡稱SVM)，該模型是與相關(guān)的學(xué)習(xí)算法有關(guān)的監(jiān)督學(xué)習(xí)模型，可以分析數(shù)據(jù)，識別模式，用于分類和回歸分析。給定一組訓(xùn)練樣本，每個標(biāo)記為屬于兩類，一個SVM訓(xùn)練算法建立了一個模型，分配新的實例為一類或其他類，使其成為非概率二元線性分類。如在空間中的點，映射，使得所述不同的類別的例子是由一個明顯的差距是盡可能寬劃分的表示。新的實施例則映射到相同的空間中，并預(yù)測基于它們落在所述間隙側(cè)上屬于一個類別。