[發(fā)明專利]一種迭代協(xié)同顯著性檢測方法

有效

• 申請?zhí)枺?/td>: 201711064083.0
• 申請日: 2017-11-02
• 公開（公告）號: CN108009549B
• 公開（公告）日: 2021-06-04
• 發(fā)明（設計）人: 雷建軍;叢潤民;侯春萍;張三義;陳越;郭琰
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李林娟

一種迭代協(xié)同顯著性檢測方法，包括：對給定的RGBD圖像組數(shù)據(jù)進行初始化，得到初始RGB顯著性檢測結果；補機制：通過深度傳播和顯著性傳播實現(xiàn)初始RGB顯著性檢測結果的RGBD轉換和優(yōu)化；刪機制：定義超像素級的相似性測度來表示兩個超像素之間的關系，利用共有概率函數(shù)計算每個超像素區(qū)域屬于共有區(qū)域的概率，得到協(xié)同顯著性檢測結果；迭代機制：判斷迭代次數(shù)是否超過最大迭代次數(shù)，如果超過，則直接終止迭代，否則判斷前后兩次迭代輸出結果的差異，如果差異小于預先設定的閾值，則中止迭代，否則進入下一次迭代過程。本發(fā)明可以準確提取圖像組中的共有顯著性目標，背景抑制能力強，顯著性目標輪廓清晰，具有較好的可擴展性。

技術領域

本發(fā)明涉及圖像處理、立體視覺技術領域，尤其涉及一種迭代協(xié)同顯著性檢測方法。

背景技術

人類視覺感知系統(tǒng)可以自動感知場景信息，定位重要目標和區(qū)域。視覺顯著性檢測技術希望通過模擬人類視覺感知系統(tǒng)使得計算機也具備自動定位顯著性區(qū)域的能力。作為計算機視覺領域的一項重要預處理技術，視覺顯著性檢測已廣泛應用于檢測、編碼、增強、壓縮等領域。經(jīng)過多年的發(fā)展，RGB圖像的顯著性檢測技術已日趨成熟，許多算法獲得了十分優(yōu)異的性能。相比之下，面向RGBD圖像的顯著性檢測技術起步較晚，相關算法尚不成熟。近年來，隨著深度傳感器的發(fā)展和成像技術的進步，RGBD數(shù)據(jù)的獲取方式變得更加高效、便捷，這無疑為RGBD顯著性檢測技術提供了強大的數(shù)據(jù)支持。如何有效利用深度信息輔助視覺顯著性檢測成為當前研究的一個熱點。

人類視覺感知系統(tǒng)就像一個過濾器，可以自動過濾場景中的無用信息，將注意力集中到顯著性區(qū)域上并進行下一步處理。在計算機視覺領域，已經(jīng)提出了許多顯著性檢測的方法來模擬人類的視覺感知系統(tǒng)，旨在使計算機可以自動捕獲圖像中最顯著性、信息最豐富的區(qū)域。該技術已被廣泛應用于各種視覺任務，如圖像檢索、感知增強、前景注釋、圖像分割、圖像質量評估和圖像重定向等。目前，現(xiàn)有的RGB圖像顯著性檢測模型大多專注于從單一的RGB圖像中檢測出顯著性對象，并已經(jīng)獲得了較好的算法性能。實際上，人類在對場景進行感知時，除了獲取顏色、形狀等外貌信息外，還可以感知場景的深度信息，即景深。隨著成像設備的發(fā)展，場景深度數(shù)據(jù)的獲取方式變得更加快捷、便利。這為針對RGBD數(shù)據(jù)的相關研究工作奠定了數(shù)據(jù)基礎。作為彩色數(shù)據(jù)的補充，深度數(shù)據(jù)可以提供許多有效信息，如位置關系、目標形狀等，進而提升任務性能。

大數(shù)據(jù)時代的來臨，使得各種數(shù)據(jù)呈現(xiàn)井噴式增長。與以往不同，人們需要同時處理多幅圖像或視頻數(shù)據(jù)。近年來，作為一個新興的和具有挑戰(zhàn)性的新課題，協(xié)同顯著性檢測算法獲得廣泛的關注。協(xié)同顯著性檢測算法除了要求檢測出顯著性目標外，還要求其在多張圖像中是共有的。因此，圖像組中各圖像之間的關系在協(xié)同顯著性檢測中起著至關重要的作用。

Fu等人利用融合多線索的聚類方法提取圖像組中的共有顯著性目標。Tao等人將低秩約束引入?yún)f(xié)同顯著性檢測中，提出圖像組的共有顯著性目標。Cong等人結合多約束匹配和交叉標簽傳播實現(xiàn)了RGBD協(xié)同顯著性檢測。Song等人基于Bagging聚類算法實現(xiàn)了RGBD圖像的協(xié)同顯著性檢測。

發(fā)明人在實現(xiàn)本發(fā)明的過程中，發(fā)現(xiàn)現(xiàn)有技術中至少存在以下缺點和不足：

現(xiàn)有技術中的方法往往重新設計一種新的RGBD協(xié)同顯著性檢測模型，而未充分利用現(xiàn)有的RGB顯著性檢測算法；現(xiàn)有方法通常采用管狀模型直接完成顯著性檢測，而缺少迭代循環(huán)優(yōu)化機制。

發(fā)明內容

本發(fā)明提供了一種迭代協(xié)同顯著性檢測方法，本發(fā)明通過深入挖掘RGBD圖像的深度信息，設計一種迭代的RGBD協(xié)同顯著性檢測模型，提取圖像組中的共有顯著性目標，詳見下文描述：

一種迭代協(xié)同顯著性檢測方法，所述迭代協(xié)同顯著性檢測方法包括以下步驟：

對給定的RGBD圖像組數(shù)據(jù)進行初始化，得到初始RGB顯著性檢測結果；

補機制：通過深度傳播和顯著性傳播實現(xiàn)初始RGB顯著性檢測結果的RGBD轉換和優(yōu)化；