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

有效

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

本發(fā)明屬于圖像處理領(lǐng)域，涉及一種結(jié)合邊界連通性與局部對(duì)比性的顯著性檢測(cè)方法，解決圖像顯著性檢測(cè)問題。首先使用SLIC算法進(jìn)行超像素的劃分，通過Harris角點(diǎn)檢測(cè)，利用局部對(duì)比性的特征，獲取包圍前景區(qū)域的凸包。然后利用聚類算法去除凸包中的背景區(qū)域，將獲得的前景區(qū)域作為隨機(jī)游走模型的吸收節(jié)點(diǎn)，并進(jìn)行聚類內(nèi)傳播優(yōu)化獲取各超像素的前景概率。同時(shí)利用各區(qū)域邊界連通性的特征，計(jì)算各超像素的背景概率。最后結(jié)合各超像素前景概率、背景概率得到一幅顯著圖，通過抑制背景超像素顯著值得到最終顯著圖。該方法能夠識(shí)別出圖像中的最顯著部分，得到更接近于真值圖的顯著圖。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理領(lǐng)域，涉及一種結(jié)合邊界連通性與局部對(duì)比性的顯著性檢測(cè)方法。

背景技術(shù)

圖像顯著性檢測(cè)的目的是查找圖像中最顯著的部分，顯著部分表示的是圖像中的哪些區(qū)域能夠引起人們的重視以及重視的程度，高效快速的找到顯著部分能大大提高圖像處理的效率。顯著性檢測(cè)算法可以分成兩大類：自頂向下方法和自底向上方法。自頂向下通常是針對(duì)特定的任務(wù)，使用有監(jiān)督的方式學(xué)習(xí)目標(biāo)的各種特征，使用學(xué)到的特征信息完成圖像中顯著性目標(biāo)的識(shí)別，這類方法的缺點(diǎn)是只能完成特定的目標(biāo)且必須通過訓(xùn)練，擴(kuò)展性較差。自底向上的方法直接通過像素等信息來(lái)進(jìn)行計(jì)算，不需要進(jìn)行學(xué)習(xí)，通過計(jì)算圖像中不同部分之間的差異來(lái)查找顯著部分。

Harris角點(diǎn)檢測(cè)是一種常用的興趣點(diǎn)檢測(cè)方法，作為提取特征的主要手段廣泛的應(yīng)用于目標(biāo)跟蹤，圖像匹配中。角點(diǎn)提供了場(chǎng)景中人們感興趣目標(biāo)的有用的空間信息，Xie等人使用角點(diǎn)檢測(cè)獲得凸包，并依據(jù)劃分的區(qū)域與凸包的交集程度來(lái)計(jì)算超像素的顯著性，但這就存在一個(gè)問題，即凸包中的區(qū)域有些并不屬于顯著區(qū)域，將凸包內(nèi)所有區(qū)域都當(dāng)作顯著區(qū)域是不合適的。另外，凸包包圍的區(qū)域也存在不能完全包圍顯著區(qū)域的問題。

隨機(jī)游走模型，是指數(shù)學(xué)中具有馬爾可夫性質(zhì)的離散事件隨機(jī)過程。該過程中，在給定當(dāng)前知識(shí)或信息的情況下，過去的狀態(tài)對(duì)于預(yù)測(cè)將來(lái)的狀態(tài)是無(wú)關(guān)的。隨機(jī)游走模型通常用來(lái)建模排隊(duì)理論和統(tǒng)計(jì)學(xué)中的建模，還可作為信號(hào)模型用于熵編碼技術(shù)。近年來(lái)也有人將隨機(jī)游走模型用于圖像的顯著性檢測(cè)中，如Sun等人將圖像左邊界和上邊界超像素作為隨機(jī)游走模型中的吸收節(jié)點(diǎn)計(jì)算各超像素初始顯著值，這種做法實(shí)際上是在利用邊界先驗(yàn)性，但當(dāng)顯著對(duì)象出現(xiàn)在圖像邊緣時(shí)效果就不令人滿意了。

本發(fā)明綜合利用已存在技術(shù)的優(yōu)點(diǎn)，解決上述技術(shù)的不足，使用Harris角點(diǎn)檢測(cè)檢測(cè)出目標(biāo)區(qū)域周圍的角點(diǎn)，即利用局部對(duì)比性構(gòu)造大致包圍顯著區(qū)域的凸包，對(duì)凸包內(nèi)超像素進(jìn)行聚類，去除掉其中更可能是背景的區(qū)域，與Sun等人不同，我們以凸包中的前景區(qū)域作為吸收節(jié)點(diǎn)，利用隨機(jī)游走模型計(jì)算各超像素的顯著值，然后融合更新后的超像素前景概率和利用邊界連通性得到的各超像素的背景概率得到一幅顯著圖，通過與其他方法比較可以發(fā)現(xiàn)我們的方法優(yōu)于大部分現(xiàn)有最好的顯著性檢測(cè)的方法。

發(fā)明內(nèi)容

本發(fā)明提出了一種結(jié)合邊界連通性與局部對(duì)比性的顯著性檢測(cè)方法，目的在于解決上述現(xiàn)有技術(shù)中的不足，綜合利用圖像中的局部變化特征與邊界連通性的特點(diǎn)，提出一種新的高效的圖像顯著性檢測(cè)方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案為：

一種結(jié)合邊界連通性與局部對(duì)比性的顯著性檢測(cè)方法，包括以下步驟：

第一步，使用SLIC(簡(jiǎn)單線性迭代聚類)方法將整幅圖像劃分為300個(gè)超像素，并計(jì)算每個(gè)超像素的平均CIELab顏色特征值；同時(shí)，利用Harris角點(diǎn)檢測(cè)得到圖像中的角點(diǎn)，考慮到顯著對(duì)象大部分區(qū)域是不貼近邊界的，移除非常靠近邊界的部分角點(diǎn)，然后利用這些剩余的角點(diǎn)來(lái)構(gòu)造一個(gè)大致包圍顯著對(duì)象的凸包。

第二步，構(gòu)造凸包內(nèi)精準(zhǔn)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(K2)類。