一種基于條件隨機場的顯著性檢測方法
【專利摘要】本發(fā)明公開了一種基于條件隨機場的顯著性檢測方法,主要將顯著性檢測看做一個圖像標注問題,運用多尺度對比,中央—周圍直方圖和顏色空間分布這三種不同的顯著度計算得到顯著特征圖。通過CRF學習計算各個顯著特征圖的顯著度的權(quán)重,采用最大似然估計方法獲取模型參數(shù)估計得到最優(yōu)解。最后利用CRF檢測測試圖像。本發(fā)明提供的方法能夠更加精確地檢測顯著目標,檢測得到的結(jié)果分辨率高,目標邊界定義精準,方法計算復雜度小。
【專利說明】一種基于條件隨機場的顯著性檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理和圖像目標檢測領(lǐng)域,特別涉及一種基于條件隨機場的顯著性檢測方法。
【背景技術(shù)】
[0002]視覺是人類最重要的感知覺,人腦所能接受的外界信息90%以上源于人眼的視覺感知。視覺的主要功能就是解釋人們生活的周圍環(huán)境,并與其發(fā)生信息交互,信息技術(shù)的迅速發(fā)展促使各種圖像信息日益膨脹,人們不得不借助計算機系統(tǒng)來處理和分析這些海量數(shù)據(jù)。但值得注意的是:一方面,圖像數(shù)據(jù)的增加速度遠比計算機處理能力的提高速度要快;另一方面,人們所關(guān)心的內(nèi)容通常只是整個數(shù)據(jù)集合中很小的一部分。為此,一視同仁全面處理所有圖像數(shù)據(jù)是不現(xiàn)實的,也是不必要的。如何盡快地從整個數(shù)據(jù)集中找到并提取與任務相關(guān)的那部分重要的、有用的和值得關(guān)注的信息,即視覺顯著性檢測問題,一直就是機器視覺和信息處理研究中長期面臨的重要難題。以視覺注意為代表的圖像顯著性區(qū)域檢測技術(shù)成為提高海量數(shù)據(jù)篩選實時性和分析準確性的重要技術(shù)途徑之一。顯著性檢測是圖像處理中一個重要內(nèi)容,有著廣泛的應用,如基于顯著性的圖像分割,圖像檢索,圖像自動裁剪以及圖像視屏壓縮等。
[0003]顯著性檢測的本質(zhì)是一種視覺注意模型,這種模型是依據(jù)視覺注意機制而建立的模型,它能夠?qū)τ邢薜男畔⒓庸べY源進行分配,使感知具備選擇能力。利用視覺注意機制得到圖像中最容易引起注意的顯著部分,并用一幅灰度圖像表示其顯著度。視覺心理學研究發(fā)現(xiàn),人類視覺注意可分為兩種類型:自底向上的數(shù)據(jù)驅(qū)動模式和自頂向下的任務驅(qū)動模式。自底向上是在視覺處理初期,不受經(jīng)驗和目前任務的影響,人類對場景存在特殊關(guān)注區(qū)域即顯著性區(qū)域。自頂向下是視覺處理后期,人類依據(jù)自身的經(jīng)驗和任務選擇關(guān)注的目標,對目標進行認識。
[0004]條件隨機場(下文簡稱:CRF)是一種判別式模型。簡單地講隨機場可以看成是一組隨機變量的集合,當給每一個位置按照某種分布隨機賦予一個值之后,其全體就叫做隨機場。與生成式隱馬爾科夫模型(下文簡稱:HMM)相比,CRF可以選擇上下文相關(guān)特征,不存在標記偏置問題。CRF是一個無向圖模型,該模型是在給定需要標記的觀察序列的條件下,計算整個標記序列的聯(lián)合概率。CRF模型主要有三個基本任務:1.特征函數(shù)的選擇,這直接關(guān)系到模型性能。2.參數(shù)評估,從已經(jīng)標記號的訓練數(shù)據(jù)學習CRF模型的參數(shù),即各個特征函數(shù)的權(quán)重向量。3.模型推斷,在給定條件隨機場模型參數(shù)下,預測出最可能的狀態(tài)序列。
[0005]早期的圖像顯著性算法其主要缺點在于分辨率低,目標邊界定義差,計算復雜度聞。
【發(fā)明內(nèi)容】
[0006]發(fā)明目的:針對現(xiàn)有技術(shù)存在的問題,本發(fā)明提供了一種分辨率高、計算復雜度高的條件隨機場的顯著性檢測方法。
[0007]
【發(fā)明內(nèi)容】
:本發(fā)明提供了一種基于條件隨機場的顯著性檢測方法,包括如下步驟:
[0008]步驟10:采集圖像數(shù)據(jù);
[0009]步驟20,對步驟10得到的圖像用三種不同的方法進行顯著性特征提取,得到與三種不同的顯著性特征函數(shù)對應的顯著性特征圖;
[0010]步驟30:采用條件隨機場模型的機器學習法對步驟10中采集的圖像進行訓練,并獲得步驟20中得到的每個顯著性特征圖的最優(yōu)權(quán)重;
[0011]步驟40:對步驟20得到的三種不同的顯著性特征函數(shù)用分配函數(shù)Z進行歸一化處理;
[0012]步驟50:建立條件隨機場模型,對步驟40得到的三個歸一化顯著性特征函數(shù)用條件隨機場模型進行組合;
[0013]步驟60:用最大似然準則對步驟50獲得的組合求得最優(yōu)解,得到最優(yōu)化的線性組合;
[0014]步驟70:將步驟60計算得到的顯著性像素用一個最小的矩形框,其中最小的矩形框至少框出95%以上的顯著性像素,得到最終的結(jié)果。
[0015]進一步,所述步驟20中,所述三種進行特征提取的方法分別為:多尺度對比法、中央周圍直方圖法和顏色空間分布法;
[0016]其中,所述多尺度對比法,包括以下步驟:
[0017]步驟211,對步驟10中采集到的圖像基于高斯模糊之后向下采樣,得到不同分辨率的圖像;
[0018]步驟212,將步驟211得到的六層高斯金字塔圖像中每層對比度線性組合得到多尺度對比特征函數(shù)與其對應的顯著性特征圖;
[0019]所述中央周圍直方圖法,包括以下步驟:
[0020]步驟221:用多個不同長寬比例的矩形區(qū)域R標出步驟10得到的圖像中的顯著物體,在多個矩形區(qū)域R的周圍構(gòu)造多個對應的面積相等的周圍矩形區(qū)域Rs ;
[0021]步驟222:在步驟221獲得的圖像上計算每個以像素點X為中心的顯著矩形區(qū)域R與周圍矩形區(qū)域Rs在RGB顏色直方圖之間的X2距離;
[0022]步驟223:比較每個不同長寬比例的矩形區(qū)域R與周圍矩形區(qū)域Rs在RGB顏色直方圖之間的X2距離,現(xiàn)在X2距離最大的矩形區(qū)域R為最優(yōu)的矩形區(qū)域R*(X);
[0023]步驟224:以相鄰像素V為中心的中央-周圍直方圖特征函數(shù)定義為步驟221中所有以相鄰像素V為中心的最優(yōu)周圍矩形區(qū)域RsW )的高斯加權(quán)X2距離之和;
[0024]所述顏色空間分布法,包括以下步驟:
[0025]步驟231:對步驟10得到的圖像中的所有顏色用高斯混合模型表示;
[0026]步驟232:利用步驟231中模型的參數(shù)計算計算每個像素被分配給一種顏色成分的條件概率;
[0027]步驟233:對步驟232中每一個顏色成分計算對應的水平方差和垂直方差,得到對應成分的空間方差;
[0028]步驟234:顏色空間分布特征函數(shù)定義為步驟433得到的空間方差中央加權(quán)之和。
[0029]進一步,步驟50中,所述用條件隨機場模型組合顯著性特征過程如下:
[0030]步驟501,對步驟40得到的三個歸一化顯著性特征,分別計算一元勢函數(shù)Fk (ax, I), Fk (ax, I)表示第k個顯著特征;
[0031]步驟502,對步驟40得到的三個歸一化顯著性特征,分別計算二元勢函數(shù)S(ax,ax,,I)配對特征,其中,二元勢函數(shù)S(ax,ax,,I)表示對相鄰像素標記為不同值的懲罰項的值,ax表示X像素點的顯著性,ax,表示X相鄰像素點的顯著性;
[0032]步驟503,結(jié)合步驟30得到的每個顯著性特征圖的最優(yōu)權(quán)重和步驟501、502中得到的顯著特征和配對特征,根據(jù)公式
【權(quán)利要求】
1.一種基于條件隨機場的顯著性檢測方法,其特征在于,包括如下步驟: 步驟10:采集圖像數(shù)據(jù); 步驟20,對步驟10得到的圖像用三種不同的方法進行顯著性特征提取,得到與三種不同的顯著性特征函數(shù)對應的顯著性特征圖; 步驟30:建立隨機場模型,采用條件隨機場模型的機器學習法對步驟10中采集的圖像進行訓練,并獲得步驟20中得到的每個顯著性特征圖的最優(yōu)權(quán)重; 步驟40:對步驟20得到的三種不同的顯著性特征函數(shù)用分配函數(shù)Z進行歸一化處理;步驟50:建立條件隨機場模型,對步驟40得到的三個歸一化顯著性特征函數(shù)用條件隨機場模型進行組合; 步驟60:用最大似然準則對步驟50獲得的組合求得最優(yōu)解,得到最優(yōu)化的線性組合;步驟70:將步驟60計算得到的顯著性像素用一個最小的矩形框,其中最小的矩形框至少框出95%以上的顯著性像素,得到最終的結(jié)果。
2.根據(jù)權(quán)利要求1所述的一種基于條件隨機場的顯著性檢測方法,其特征在于:所述步驟20中,所述三種進行特征提取的方法分別為:多尺度對比法、中央周圍直方圖法和顏色空間分布法; 其中,所述多尺度對比法,包括以下步驟: 步驟211,對步驟10 中采集到的圖像基于高斯模糊之后向下采樣,得到不同分辨率的圖像; 步驟212,將步驟211得到的六層高斯金字塔圖像中每層對比度線性組合得到多尺度對比特征函數(shù)與其對應的顯著性特征圖; 所述中央周圍直方圖法,包括以下步驟: 步驟221:用多個不同長寬比例的矩形區(qū)域R標出步驟10得到的圖像中的顯著物體,在多個矩形區(qū)域R的周圍構(gòu)造多個對應的面積相等的周圍矩形區(qū)域Rs ; 步驟222:在步驟221獲得的圖像上計算每個以像素點X為中心的顯著矩形區(qū)域R與周圍矩形區(qū)域Rs在RGB顏色直方圖之間的X 2距離; 步驟223:比較每個不同長寬比例的矩形區(qū)域R與周圍矩形區(qū)域Rs在RGB顏色直方圖之間的X2距離,現(xiàn)在X 2距離最大的矩形區(qū)域R為最優(yōu)的矩形區(qū)域R*(X); 步驟224:以相鄰像素V為中心的中央-周圍直方圖特征函數(shù)定義為步驟221中所有以相鄰像素V為中心的最優(yōu)周圍矩形區(qū)域RsW )的高斯加權(quán)X2距離之和; 所述顏色空間分布法,包括以下步驟: 步驟231:對步驟10得到的圖像中的所有顏色用高斯混合模型表示; 步驟232:利用步驟231中模型的參數(shù)計算計算每個像素被分配給一種顏色成分的條件概率; 步驟233:對步驟232中每一個顏色成分計算對應的水平方差和垂直方差,得到對應成分的空間方差; 步驟234:顏色空間分布特征函數(shù)定義為步驟433得到的空間方差中央加權(quán)的之和。
3.根據(jù)權(quán)利要求1所述的一種基于條件隨機場的顯著性檢測方法,其特征在于:步驟50中,所述用條件隨機場模型組合顯著性特征過程如下: 步驟501,對步驟40得到的三個歸一化顯著性特征,分別計算一元勢函數(shù)Fk(ax,I),F(xiàn)k (ax, I)表示第k個顯著特征; 步驟502,對步驟40得到的三個歸一化顯著性特征,分別計算二元勢函數(shù)S (ax,ax,,I)配對特征,其中,二元勢函數(shù)S (ax,ax,,I)表示對相鄰像素標記為不同值的懲罰項的值,\表示X像素點的顯著性,ax,表示X相鄰像素點的顯著性; 步驟503,結(jié)合步驟30得到的每個顯著性特征圖的最優(yōu)權(quán)重和步驟501、502中得到的顯著特征和配對特征,根據(jù)公式
進行線性組合,其中,A為采集圖像I中標簽狀態(tài)集合,Z為分配函數(shù),Xk表示第k個顯著特征圖的權(quán)重,K為顯著特征圖的總數(shù),F(xiàn)k(ax, I)是單一變量的勢函數(shù),F(xiàn)k(ax, I)表示第k個顯著特征圖,S(ax,ax',1)是雙變量交互勢函數(shù),S(ax,ax',I)表示相鄰像素x,x'之間的相互作用關(guān)系。
【文檔編號】G06K9/66GK104077609SQ201410302009
【公開日】2014年10月1日 申請日期:2014年6月27日 優(yōu)先權(quán)日:2014年6月27日
【發(fā)明者】王敏, 范佳佳 申請人:河海大學