本發(fā)明屬于圖像處理領(lǐng)域，涉及一種基于Sugeno模糊積分的顯著性檢測方法，采用有效的輪廓檢測方法檢測前景種子，得到大概的前景區(qū)域，并使用貝葉斯概率模型應(yīng)用于超像素屬于前景概率的計算。模糊積分將各個特征的優(yōu)勢依據(jù)具體圖像進行有效的融合，屬于自底向上顯著性檢測模型。

背景技術(shù)：

一般情況下，人們只會對視覺場景中感興趣的只是某個局部而不是視力范圍內(nèi)的所有物體。顯著性檢測技術(shù)能夠模擬人類的視覺系統(tǒng)，檢測出圖像中最能吸引人們注意最能表現(xiàn)圖像內(nèi)容的顯著部分。這部分相對于它的鄰近區(qū)域突出，比如在顏色、紋理、形狀等方面與鄰近區(qū)域有較明顯的區(qū)別。

目前，隨著人們對顯著性檢測的研究越來越深入，已經(jīng)涌現(xiàn)出來很多好的檢測方法與檢測模型。自底向上的顯著性檢測模型是圖像顯著性檢測中運用比較廣泛的一種模型，相比于基于高層語義信息的自頂向下顯著性檢測模型，它基于底層特征，能更有效的檢測圖像的細(xì)節(jié)信息。同時，人們發(fā)現(xiàn)對比度是對檢測結(jié)果影響較大的因素。對比度即兩個單元在顏色、梯度、亮度、空間距離、形狀等特征上的差別程度。根據(jù)對比單元分布，對比度分為全局對比度和局部對比度。局部對比度方法是基于周圍鄰近像素估計一特定區(qū)域的顯著性，這類方法能產(chǎn)生較清晰的顯著圖，但忽略了全局關(guān)系結(jié)構(gòu)，而且對圖像的高頻部分更為敏感。全局對比度方法在整幅圖像上考察對比度關(guān)系。這類方法傾向于將大范圍的目標(biāo)同周圍環(huán)境分離開，檢測結(jié)果通常優(yōu)于會在輪廓附近產(chǎn)生較高顯著性的局部對比度方法，但是由于較多關(guān)注整幅圖像的結(jié)構(gòu)和統(tǒng)計特征，需要解決復(fù)雜的整合問題。對于特征差異較明顯的圖像，利用對比度理論能夠得到較好的顯著性檢測結(jié)果，但是這種方法需要有明確的背景單元或者是前景單元作為參照進行特征間的對比計算，從而得到像素顯著性值，而且針對各個特征對檢測結(jié)果的影響，沒有一個較好的融合方法。

技術(shù)實現(xiàn)要素：

本發(fā)明考慮到各個特征的重要程度，提出了一種基于Sugeno模糊積分的顯著性檢測方法，目的在于克服現(xiàn)有技術(shù)的不足。針對各個底層特征，采用貝葉斯概率模型作為積分的置信度計算函數(shù)，對每一個超像素在各個特征上得到的前景概率值使用模糊積分進行融合，得到較好的顯著性圖。

本發(fā)明的技術(shù)方案：

基于Sugeno模糊積分的顯著性檢測方法，步驟如下：

步驟1.劃分前景區(qū)域和背景區(qū)域：采用概率邊界(probability of boundary，PB)方法和最大類間差(OSTU)方法，獲得前景種子，并使用DBSCAN聚類算法將前景種子分簇并消除噪音點，使用凸包將圖像前景區(qū)域和背景區(qū)域兩部分。

步驟2.計算置信度：基于各顏色空間的互補性，在多種顏色特征上計算像素點成為前景的概率。在各顏色直方圖上，采用貝葉斯概率模型計算像素點成為前景的概率。本發(fā)明中采用CIELab、Ohta、HSV三種顏色空間。

步驟3.計算模糊測度：對前景區(qū)域和背景區(qū)域的超像素置信度求均值，兩均值的差值作為超像素的模糊密度函數(shù)，根據(jù)λ模糊測度定義計算λ值并求得積分公式中各顏色特征的模糊測度。

步驟4.積分融合：對各個顏色空間上得到的像素概率進行模糊積分，得到最終的顯著圖。

本發(fā)明的有益效果：本發(fā)明所提出的基于Sugeno模糊積分的顯著性檢測方法，考慮到了由于噪聲、光照變化等的影響，像素存在錯誤劃分的可能性。采用模糊積分能更好的處理這種不確定性。模糊積分針對具體的圖像，能夠根據(jù)各個顏色特征對檢測結(jié)果的重要程度進行融合，檢測出更為準(zhǔn)確的前景區(qū)域，得到較好的顯著圖。

附圖說明

圖1是本發(fā)明圖像顯著性檢測方法的流程圖

圖2是本發(fā)明的實例檢測流程的效果圖

具體實施方式

以下結(jié)合附圖和技術(shù)方案，進一步說明本發(fā)明的具體實施方式。

針對上述四個步驟，對每一個步驟進行以下具體說明：

步驟1：劃分前景區(qū)域和背景區(qū)域

1.1檢測前景種子：采用簡單線性迭代聚簇方法將圖像分割成超像素，作為本發(fā)明中圖像處理的最小單元。用邊界概率(probability of boundary，PB)方法檢測出圖像的邊界信息，得到超像素i的邊緣像素的平均PB值，計算公式為其中Ipb是超像素i中邊緣像素I的PB值，|B_i|是超像素i中邊緣像素數(shù)量。采用OTSU方法得到一個自適應(yīng)閾值，把PB值大于閾值的超像素作為前景種子。

1.2設(shè)定前景區(qū)域和背景區(qū)域：使用DBSCAN算法將前景種子進行分簇，消除噪音點。采用包含所有前景種子的凸包區(qū)域作為初步設(shè)定的前景區(qū)域F，凸包外的作為初步設(shè)定的背景區(qū)域B。令N代表圖像中所有超像素個數(shù)，N_f表示在前景區(qū)域F中的超像素個數(shù)，N_b代表背景區(qū)域B超像素個數(shù)。

步驟2：計算置信度

2.1統(tǒng)計各顏色直方圖：本發(fā)明中采用三種顏色空間，針對每一個顏色特征，分別統(tǒng)計凸包內(nèi)外區(qū)域F和B的顏色直方圖。

2.2設(shè)置置信度函數(shù)：本發(fā)明中，將貝葉斯概率模型作為模糊積分中的置信度函數(shù)，函數(shù)形式表示為h(x)。針對每一超像素p，在x顏色特征上其置信度為：

其中，表示前景區(qū)域在整幅圖像中的比例，P(B)＝1-P(F)表示背景區(qū)域在整幅圖像中的比例。C_p為超像素p的顏色通道向量

P(C_p|F)和P(C_p|B)計算公式如下：

其中分別表示前景區(qū)域中超像素p的每一個顏色向量值所在顏色區(qū)間在對應(yīng)的顏色直方圖中的值。分別表示背景區(qū)域中超像素p的顏色向量值所在顏色區(qū)間在對應(yīng)顏色直方圖中的值。

根據(jù)以上方法，分別在CIELab、Ohta、HSV三個顏色空間上計算超像素的置信度，超像素p的置信度函數(shù)分別表示為h_p(x₁)、h_p(x₂)、h_p(x₃)。

步驟3：計算模糊測度

3.1計算λ模糊測度的λ值：模糊測度表示積分的各元素對積分結(jié)果的重要程度，本發(fā)明中，模糊測度表示各顏色特征對積分結(jié)果的重要程度。本發(fā)明中，令特征集合表示為X＝{x₁,x₂,x₃}，x₁、x₂、x₃分別表示CIELab、Ohta、HSV顏色特征。在Sugeno模糊積分定義中，若模糊測度滿足條件：存在常數(shù)λ,λ＞-1，使得g(A∪B)＝g(A)+g(B)+λg(A)g(B)，則稱g為λ-模糊測度。λ可通過一下公式得到：

其中，g_i＝g({x_i})表示模糊密度函數(shù)。

本發(fā)明中，采用各個顏色特征上前景區(qū)域與背景區(qū)域的超像素置信度的均值差作為其模糊密度，它用于表示單個顏色特征劃分前景區(qū)域和背景區(qū)域的能力。由以下公式得到：

其中，表示在顏色特征x_i上前景區(qū)域超像素屬于前景的概率均值，表示在顏色特征x_i上背景區(qū)域超像素屬于背景的概率均值。

由公式(4)和公式(5)可得到λ值。

3.2計算每個超像素上各特征的模糊測度：針對每個超像素p，其在特征集合X＝{x₁,x₂,x₃}上，有h:1≥h_p(x₁)≥h_p(x₂)≥h_p(x₃)≥0，若h無法滿足這個關(guān)系，則將集合X的元素重新排列直到滿足這個關(guān)系為止。設(shè)θ為排序函數(shù)，應(yīng)有X_θ＝{x_θ(1),x_θ(2),x_θ(3)}滿足關(guān)系1≥h_p(x_θ(1))≥h_p(x_θ(2))≥h_p(x_θ(3))≥0，且當(dāng)g是λ模糊測度時，對A_θ(1)＝{x_θ(1)}，A_θ(2)＝{x_θ(1),x_θ(2)}，A_θ(3)＝{x_θ(1),x_θ(2),x_θ(3)}等任意集合，g(A_i)的值可由下式計算：

g(A_θ(1))＝g({X_θ(1)})＝g_θ(1) (6)

g(A_θ(2))＝g_θ(2)+g(A_θ(1))+λg_θ(2)g(A_θ(1)) (7)

g(A_θ(3))＝g_θ(3)+g(A_θ(2))+λg_θ(3)g(A_θ(2)) (8)

其中g(shù)_θ(i)＝g({x_θ(i)})，λ由步驟3.1得到。

步驟4：積分融合

最后一步是依據(jù)步驟2和步驟3得到的置信度函數(shù)h和模糊測度函數(shù)g，采用Sugeno模糊積分函數(shù)對每一超像素p在本發(fā)明中采用的三個特征上進行積分融合。每一個超像素在集合特征X上的關(guān)于模糊測度g的函數(shù)h的Sugeno積分可如下計算：