[發(fā)明專利]一種結(jié)合邊界連通性與局部對比性的顯著性檢測方法

有效

• 申請?zhí)枺?/td>: 201711192447.3
• 申請日: 2017-11-24
• 公開（公告）號: CN107862702B
• 公開（公告）日: 2021-07-09
• 發(fā)明（設計）人: 陳炳才;陶鑫;潘偉民;余超;年梅;姚念民;盧志茂
• 申請（專利權(quán)）人: 大連理工大學
• 主分類號: G06T7/194
• 分類號: G06T7/194;G06T7/143;G06T7/187
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 梅洪玉

1.一種結(jié)合邊界連通性與局部對比性的顯著性檢測方法，其特征在于，包括如下步驟：

第一步，使用SLIC方法將整幅圖像劃分為300個超像素，并計算每個超像素的平均CIELab顏色特征值；同時，利用Harris角點檢測得到圖像中的角點，移除非常靠近邊界的部分角點，然后利用這些剩余的角點來構(gòu)造一個大致包圍顯著對象的凸包；

第二步，構(gòu)造凸包內(nèi)精準前景區(qū)域；

2.1)使用K-means聚類算法，依據(jù)凸包內(nèi)各超像素的L、A、B特征值將凸包內(nèi)的超像素分為K類，K2；

2.2)利用邊界先驗，計算凸包內(nèi)各超像素距邊界超像素的色彩歐式距離，令凸包外超像素顯著值全為0，用公式(1)計算凸包內(nèi)第k個聚類中的第i個超像素的顯著值S_k(i)，0k＝K：

其中N_edge代表邊界超像素總的個數(shù)，||c_i,c_j||是第i個和第j個超像素在CIELab顏色空間中的歐氏距離，σ₁，β是平衡權(quán)重，σ₁²＝0.04，β＝10；

凸包中第k個聚類所在區(qū)域的顯著值S_k用公式(2)計算：

其中代表第k個聚類中超像素總數(shù)量，S_k(i)代表第k個聚類中第i個超像素的顯著值；

2.3)使用公式(3)對凸包聚類進行優(yōu)化；若凸包內(nèi)各聚類的顯著值都不小于0.6則不作處理；若顯著值有小于0.6的則進行歸一化操作，使顯著值最低的聚類區(qū)域顯著值為0；

其中min(S_k)表示K個聚類中的最小顯著值，max(S_k)表示K個聚類中的最大顯著值，至此便得到了較為準確的前景區(qū)域；

第三步，利用隨機游走模型獲得各超像素顯著值；

先建立一個圖模型G＝(V,E)，其中V代表圖中所有超像素，E代表超像素間連邊；在圖模型中使得每個超像素與它的直接鄰居還有它鄰居的鄰居都相鄰，另外使得所有邊界的超像素彼此相鄰，相鄰超像素間有邊相連；建立頂點V間的一個鄰接矩陣其中N_sup表示超像素的數(shù)目，沒有邊連接的位置W_ij＝0，有邊連接的位置權(quán)值計算如公式(4)：

其中||c_i,c_j||表示相鄰兩超像素i和j之間CIELab顏色空間中的歐式距離，

在這一步中我們利用第二步中得到的前景區(qū)域，計算前景區(qū)域中平均顯著值S_ave，將前景區(qū)域中超像素顯著值大于0.6S_ave的超像素視為吸收節(jié)點，將所有超像素視為轉(zhuǎn)移節(jié)點，構(gòu)造隨機游走模型轉(zhuǎn)移矩陣P的標準格式如公式(5)所示：

其中Q表示轉(zhuǎn)移節(jié)點間概率轉(zhuǎn)移矩陣，Q＝D^-1W，Q中元素Q_ij表示從第i個節(jié)點轉(zhuǎn)移到第j個轉(zhuǎn)移節(jié)點的概率；R表示轉(zhuǎn)移節(jié)點與吸收節(jié)點間的轉(zhuǎn)移概率矩陣，R＝D^-1A，R中元素R_ij表示從第i個節(jié)點轉(zhuǎn)移到第j個吸收節(jié)點的概率；這里N_absorb表示吸收節(jié)點的數(shù)目，a_ij表示第i個超像素與第j個吸收節(jié)點間的權(quán)值；D＝D₁+D₂，D₁是圖G的度矩陣，表示鄰接矩陣W中第i行的和；表示矩陣A中第i行的和；0表示N_absorb×N_sup階的0矩陣，I表示N_absorb×N_absorb階的單位矩陣；

轉(zhuǎn)移矩陣P的基本矩陣N的計算公式如公式(6)：

N＝(I₁-Q)^-1 (6)

其中I₁表示與Q同維度的單位矩陣，矩陣N的每個元素N_ij表示節(jié)點i經(jīng)過轉(zhuǎn)移節(jié)點j可以到達吸收節(jié)點的次數(shù)；

隨機游走模型的吸收概率矩陣B表示為公式(7)所示：

B＝NR (7)

其中B中每一個元素b_ij表示從節(jié)點i轉(zhuǎn)移到吸收節(jié)點j的概率；

接下來對吸收概率矩陣B進行行排序，使得矩陣B每行從左到右遞減，并取前40％的顯著值相加作為每一行所對應超像素的顯著值；如公式(8)所示：

其中S_B(i)表示第i個超像素的顯著值，表示行排序后矩陣B中第i行第j列的值，N_absorb表示吸收節(jié)點的數(shù)目；

第四步，利用聚類內(nèi)顯著值傳播機制優(yōu)化顯著圖；

先將整幅圖根據(jù)CIELab特征，使用K-means算法劃分為K類，然后在每一個聚類內(nèi)綜合考慮其他超像素的影響來優(yōu)化每個超像素的顯著值；首先設置每個超像素i的顯著值為S_pro(i)＝S_B(i)，每個超像素更新后顯著值的計算公式如公式(9)，公式(10)所示：

其中代表利用聚類內(nèi)顯著值傳播機制優(yōu)化后第K個聚類內(nèi)第i個超像素的顯著值，代表傳播之前第K個聚類內(nèi)第i個超像素的顯著值；μ₁代表自身顯著值的影響權(quán)重，μ₂代表與超像素在同一個聚類內(nèi)其他超像素的影響權(quán)重；n_k代表第k個聚類內(nèi)超像素數(shù)目；表示同在第K個聚類中的第i個超像素與第j個超像素間的關(guān)聯(lián)權(quán)值；表示同在第K個聚類中的第i個超像素與第j個超像素間的CIELab顏色歐式距離；表示CIELab空間中3個維度方差和的均值；

第五步，利用邊界連通性計算各超像素背景概率；

5.1)計算每個區(qū)塊的邊界連通性，計算公式如下：

其中RG_m代表圖像中第m個區(qū)塊，bdconn(RG_m)代表第m個區(qū)域的邊界連通性，SP_i代表圖像中第i個超像素，BD代表邊界區(qū)域；

5.2)計算各區(qū)塊中超像素的邊界連通性；計算公式如下：

bdconn(SP_i)＝bdconn(RG_m).(SP_i∈RG_m) (12)

其中超像素i的邊界連通性與其所在區(qū)塊的邊界連通性相同；

5.3)計算各超像素的背景概率；計算公式如下：

其中bgPro(SP_i)代表第i個超像素的背景概率，σ₄是平衡權(quán)重，σ₄＝1；

第六步，綜合邊界連通性與局部對比性獲得優(yōu)化的顯著圖，計算公式如下：

其中S_i，S_j(i,j＝1,2,...,N_sup)為優(yōu)化后的超像素顯著值，cost為花費，費用函數(shù)(14)旨在使得總體花費最低；fgPro(SP_i)表示超像素i的前景概率，取值為公式(9)中超像素i傳播后的顯著值；W_ij為超像素i，j間的相似系數(shù)，||c_i,c_j||為超像素i，j間CIELAB色彩空間歐氏距離；λ是常量，取值0.1；σ₅是平衡權(quán)重，σ₅＝10；

第七步，抑制背景超像素顯著值，得到最終顯著圖，計算公式如下：

其中S^*(i)為最終顯著圖中第i個超像素顯著值；t為顯著值閾值，t＝0.6。