該方法涉及圖像處理、圖像識(shí)別、計(jì)算機(jī)視覺技術(shù)領(lǐng)域。

背景技術(shù)：

顯著目標(biāo)識(shí)別是視覺顯著性的一個(gè)重要應(yīng)用。視覺顯著性反映了場(chǎng)景中的目標(biāo)對(duì)人類視覺注意力的吸引能力。通過建立視覺顯著性計(jì)算模型可以對(duì)這種能力進(jìn)行量化估計(jì)，并用灰度圖像表示出來。視覺顯著性廣泛應(yīng)用于視覺計(jì)算的各種領(lǐng)域，包括顯著目標(biāo)識(shí)別、視頻分析、遙感圖像處理、圖像壓縮等。起初，視覺顯著性計(jì)算模型基于顏色、方向、亮度等特征而建立；隨后，馬爾科夫隨機(jī)鏈的計(jì)算模型被提出，這些計(jì)算模型都是基于局部對(duì)比的計(jì)算模型，能有效地檢測(cè)出目標(biāo)像素與周圍像素的特征差異大小，使得在邊緣附近的像素顯著性較大。但算法僅考慮了局部對(duì)比，未考慮全局的結(jié)構(gòu)"布局等因素，容易檢測(cè)到局部顯著區(qū)域，而不能描述完整的顯著目標(biāo)。由于其局限性，基于全局對(duì)比的計(jì)算模型被提出來，基于全局對(duì)比的算法參數(shù)少且計(jì)算簡(jiǎn)單，充分考慮了全局的布局等因素，但由于算法缺乏局部對(duì)比機(jī)制，導(dǎo)致得到的顯著性目標(biāo)表示的一致性較差。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)存在的上述問題，本發(fā)明綜合考慮了局部對(duì)比與全局對(duì)比兩方面因素，采用以空間距離為權(quán)值的顏色距離來表示顯著性，并利用圖像中顏色的分布性來以全局的角度定義目標(biāo)整體，解決了片面考慮所帶來的問題，并采用SLIC算法將圖像抽象為多個(gè)超像素，每個(gè)超像素大小相似且適中，并且基于多尺度的思想，選擇分割成不同的超像素個(gè)數(shù)，以實(shí)現(xiàn)多尺度分析的目的，從而更好地處理不同大小的顯著目標(biāo)的情況。

本發(fā)明的目的是：提高圖像識(shí)別率。

本發(fā)明為實(shí)現(xiàn)上述目的所采用的的技術(shù)方案是：一種顯著目標(biāo)識(shí)別方法，該方法的步驟如下：

步驟一：在Lab顏色空間上分割圖像，生成緊湊且邊界清晰的超像素；

步驟二：以超像素間空間距離作為權(quán)值的加權(quán)顏色距離之和來表示超像素的稀少性R_ik；

步驟三：選擇超像素與其顏色相近的其他的超像素的空間距離之和來表示空間分散性D_ik；

步驟四：計(jì)算超像素間的空間距離之和來表示空間分散性S_ik；

步驟五：將每個(gè)尺度的顯著值均歸一化到[0，55]，并將其以灰度圖形式表達(dá)；

步驟六：求得各尺度的顯著圖后，需將各尺度顯著圖融合以得到最終的顯著圖。

本發(fā)明的有益效果是：本發(fā)明提出的顯著性計(jì)算模型相較于現(xiàn)有的一些模型，提高了顯著目標(biāo)識(shí)別的精確率，為進(jìn)一步的目標(biāo)分析提供了良好的基礎(chǔ)。與現(xiàn)有的算法相比，該模型提高了算法對(duì)顯著目標(biāo)大小的適應(yīng)性，減少了背景對(duì)顯著目標(biāo)識(shí)別的干擾，具有更好的一致性，能更好地識(shí)別顯著目標(biāo)。

具體實(shí)施方式

下面，具體的描述此發(fā)明。

1、圖像抽象化處理

以SLIC算法為框架，把具有相似顏色且距離相近的像素聚類，形成視覺上均勻的區(qū)域，生成超像素。利用K-means聚類在Lab顏色空間上分割圖像，生成緊湊且邊界清晰的超像素，所以上述步驟一的超像素的生成方式如下：首先：設(shè)定抽象化圖像分為3個(gè)尺度，所包含的超像素個(gè)數(shù)為N_K＝{100,400,1000}，并定義第k個(gè)尺度中的第i個(gè)超像素在Lab顏色空間上的顏色為C_ik，空間位置為P_ik，其中超像素的顏色由其內(nèi)部所有像素的平均顏色表示，空間位置取超像素的中心來表示。

2、計(jì)算單一尺度超像素的顯著性

由于：(1)具有不同顏色的區(qū)域?qū)?yīng)顯著性值高，均勻的區(qū)域顯著性值低，(2)經(jīng)常出現(xiàn)的特征應(yīng)當(dāng)被抑制，(3)顯著的像素應(yīng)當(dāng)聚集在一塊，而不是遍布整幅圖像。所以本算法取N_K＝400，采用以超像素間空間距離作為權(quán)值的加權(quán)顏色距離之和來表示超像素的稀少性R_ik，所以上述步驟二的稀少性R_ik計(jì)算方法如下：

定義d_color(i，j)為第i個(gè)超像素與第j個(gè)超像素在Lab顏色空間上的歐式距離，并對(duì)其歸一化。

定義d_position(i，j)為兩個(gè)超像素空間位置的歐式距離，并對(duì)其歸一化，定義：

式中，用來控制空間距離對(duì)顏色對(duì)比的影響大小，本方法中當(dāng)兩個(gè)超像素的空間距離較小時(shí)，R_ik可以基本看成是兩個(gè)超像素間的顏色空間的歐式距離之和，當(dāng)兩者的空間距離較大時(shí)，會(huì)大幅度減小兩者的顏色距離對(duì)稀少性的影響。所以R_ik越大，則在第k個(gè)尺度下第i個(gè)超像素的稀少性越高。

選擇超像素與其顏色相近的其他超像素的空間距離之和來表示空間分散性。首先要選出與第i個(gè)超像素顏色相近的超像素，采用高斯低通濾波，定義

式中，是關(guān)于中心的擴(kuò)展度的度量，在本方法中δ_C＝0.1。當(dāng)d_color(i，j)＝3δ_C時(shí)，H(i，j)可近似為0。后通過計(jì)算超像素間的空間距離之和來表示空間分散性，所以上述步驟三空間分散性D_ik的計(jì)算方法為：

當(dāng)超像素間顏色相近時(shí)H(i，j)近似為1，即由超像素間的空間距離來表示空間分散性，而當(dāng)超像素間的顏色距離較大時(shí)，H(i，j)近似為0，其空間距離對(duì)超像素的空間分散性基本沒有影響。由式(3)可以看出，D_ik越大，則表明第i個(gè)超像素所具有的顏色在整幅圖像中分布越廣泛，空間分散性越高。在分別計(jì)算得到每個(gè)尺度下的R_ik與D_ik的值后，定義S_ik表示第k個(gè)尺度下第i個(gè)超像素的顯著性。

由于S_ik與R_ik成正比，與D_ik成反比，且若某個(gè)超像素的D_ik值較大時(shí)，超像素的顏色在整幅圖像中分布廣泛，則即使它在局部較為顯著，在整幅圖像上看，也是不具備高顯著性的，所以上述步驟四空間分散性S_ik的計(jì)算方法為：

δ_k為第k個(gè)尺度下的參數(shù)，不同尺度下δ_k也不同，在本發(fā)明中，N_k取100/400/1000時(shí)，δ_k分別取0.5/0.2/0.1。

3、多尺度融合計(jì)算顯著性

在單獨(dú)計(jì)算出每個(gè)尺度的所有S_ik值后，將每個(gè)尺度的顯著值均歸一化到[0，255]，并將其以灰度圖形式表達(dá)，在求得各尺度的顯著圖后，需將各尺度顯著圖融合以得到最終的顯著圖由于要識(shí)別的顯著目標(biāo)大小未知，在沒有先驗(yàn)知識(shí)的情況下并不能確定哪一個(gè)尺度下的顯著值能更好地識(shí)別顯著目標(biāo)，故本發(fā)明選擇求取各尺度顯著值的平均值作為最終顯著值，所以上述步驟六中顯著圖像的合成方法為：

首先分別將各尺度的顯著值S_ik分配到超像素內(nèi)的各個(gè)像素，并歸一化到[0，1]，然后3個(gè)尺度下對(duì)應(yīng)像素的顯著值相加求平均值，最后將求得的最終顯著值重新歸一化到[1，255]，并以灰度圖像表示。

上述實(shí)施例只是為了更好的解釋本發(fā)明，并不是限定本發(fā)明，本發(fā)明的保護(hù)范圍依據(jù)權(quán)利要求書的內(nèi)容確定。