本發(fā)明屬于計(jì)算機(jī)圖像處理領(lǐng)域，涉及一種基于被包圍狀態(tài)和貝葉斯模型的圖像顯著性檢測(cè)方法。

背景技術(shù)：

近年來(lái)，圖像的顯著性檢測(cè)作為計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要方向受到國(guó)內(nèi)外研究人員的普遍關(guān)注。當(dāng)前的方法主要發(fā)展為兩個(gè)方向：自底向上(非監(jiān)督)和自頂向下(監(jiān)督)。

目前的自底向上的顯著性檢測(cè)方法主要有：基于超像素的聚類的顯著性檢測(cè)，它主要利用超像素之間的相似性進(jìn)行聚類得到顯著圖；基于圖割的多層自適應(yīng)區(qū)域融合方法，在這個(gè)方法中，利用超像素對(duì)圖像建立圖割模型，初始化自適應(yīng)參數(shù)，通過(guò)自適應(yīng)參數(shù)的逐層調(diào)整得到多層初始顯著圖，最后融合所有的初始顯著圖得到最終的顯著圖；基于貝葉斯框架的顯著性檢測(cè)，它通過(guò)處理基于像素為單位每一個(gè)像素，結(jié)合凸包和貝葉斯模型計(jì)算每個(gè)像素的顯著值得到顯著圖；基于背景先驗(yàn)和吸收馬爾可夫鏈的顯著性檢測(cè)方法，它主要是把圖像的四周邊界作為背景先驗(yàn)，利用吸收馬爾可夫鏈進(jìn)行吸收處理得到每個(gè)超像素的顯著值，從而計(jì)算得到顯著圖。

自底向上的顯著性檢測(cè)方法還有很多，分析上面提到的幾種方法我們可以得出自底向上的顯著性檢測(cè)的幾個(gè)主要特征。自底向上的顯著性檢測(cè)方法需要先驗(yàn)知識(shí)的挖掘、基于圖像的圖模型的建立以及對(duì)應(yīng)數(shù)學(xué)模型的建立等。比如對(duì)比度先驗(yàn)、背景先驗(yàn)和貝葉斯框架的建立等。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提出一種基于被包圍狀態(tài)和貝葉斯模型的圖像顯著性檢測(cè)方法，目的在于更加準(zhǔn)確、高效、快速的檢測(cè)出圖像中的顯著性物體。

本發(fā)明的技術(shù)方案為：

一種基于被包圍狀態(tài)和貝葉斯模型的圖像顯著性檢測(cè)方法，包括以下步驟：

第一步，計(jì)算包括顯著物體的注視區(qū)域

1.1)采用公式(1)計(jì)算得到一組二值圖；

其中，fφ是用于特征通道采樣的先驗(yàn)分布函數(shù)；是用于在特征通道θ上進(jìn)行閾值采樣的先驗(yàn)分布函數(shù)；φ(i)是定義的一個(gè)特征圖，φ(i)∈[0,1]；bi是產(chǎn)生的二值圖，i＝1,2,…..,16。

1.2)基于步驟1.1)得到的二值圖，對(duì)二值圖進(jìn)行激活，激活二值圖中的被包圍區(qū)域；

m⁺(b)＝m(b)∧b,(2)

二值圖中包含多個(gè)連通分支，當(dāng)一個(gè)像素被包含于邊界連通分支中時(shí)，那么這個(gè)像素是沒(méi)有被包圍的?；谶@一準(zhǔn)則，以二值圖的邊界像素節(jié)點(diǎn)作為種子，利用注入填充算法(floodfillalgorithm)高效的覆蓋沒(méi)有被包圍的像素，從而得到激活圖m(b)；激活圖m(b)把所有被包圍的像素值設(shè)為1，沒(méi)有被包圍的值設(shè)為0；最后利用公式(2)和公式(3)對(duì)激活圖m(b)進(jìn)行處理得到兩個(gè)子激活圖m⁺(b)、m^-(b)。

1.3)計(jì)算得到包括顯著物體的注視區(qū)域

根據(jù)步驟1.2)得到的兩個(gè)子激活圖，利用公式(4)計(jì)算得到每一個(gè)二值圖的初始注視圖，再利用公式(5)對(duì)得到的二值圖的初始注視圖進(jìn)行歸一化處理，得到最終的注視圖，所述的注視圖為得到的包括顯著物體的注視區(qū)域；

其中，m⁺(b)和m^-(b)為步驟1.2)得到的子激活圖；a(b)是經(jīng)計(jì)算得到的初始注視圖，i＝1,2,…..,16；為計(jì)算得到的最終注視圖。

第二步，建立超像素圖的模型

2.1)利用簡(jiǎn)單線性迭代聚類(slic)算法對(duì)初始圖像進(jìn)行圖像處理，得到一幅圖像的超像素圖。

2.2)超像素節(jié)點(diǎn)之間邊的建立以及邊的權(quán)重的計(jì)算

基于步驟2.1)得到的超像素圖，以每一個(gè)超像素作為節(jié)點(diǎn)，在相鄰超像素之間建立邊的連接關(guān)系；如果不相鄰的兩個(gè)超像素與同一超像素連接，那么對(duì)這兩個(gè)超像素建立邊的連接關(guān)系。

利用公式(6)計(jì)算超像素圖中連接的兩個(gè)超像素節(jié)點(diǎn)之間的權(quán)重wi,j。

其中，ci和cj表示兩個(gè)超像素的特性均值；σ²是一個(gè)平衡參數(shù)，在實(shí)驗(yàn)中設(shè)置為0.1。

2.3)建立超像素圖的模型g＝(v,e)；其中，v是超像素節(jié)點(diǎn)的集合，e是建立的邊的集合。

第三步，基于ncut對(duì)超像素進(jìn)行聚類得到三層聚類結(jié)果和

3.1)ncut模型的建立

基于第二步得到的超像素圖的模型g，定義w＝(ωij)mm作為超像素圖的模型g的鄰接矩陣，其中m＝200,表示超像素的數(shù)量；是超像素圖的模型g的度矩陣，其中得到超像素圖的模型g的拉普拉斯矩陣l＝d-w。對(duì)于兩個(gè)子集a和b之間割的花費(fèi)定義如下：

定義為a的補(bǔ)集，給定m個(gè)子集，ncut可以計(jì)算出m個(gè)子集之間割的最小值，定義如下：

由于公式(8)是一個(gè)np問(wèn)題，可以為每一個(gè)ai定義一個(gè)指示向量，這個(gè)指示向量可以通過(guò)求d^-1l的前q個(gè)最小的特征向量得到，從而可以求解公式(8)，其中，q＝9。

3.2)利用ncut得到聚類信息

定義求解d^-1l的前q個(gè)最小的特征向量為v1,v2,...,vq，對(duì)應(yīng)的特征值為λ1,λ2,...,λq。在圖g中，如果超像素si和sj是鄰接的，利用公式(10)重新構(gòu)建它們之間關(guān)系權(quán)重。

3.3)計(jì)算得到三層聚類結(jié)果和

定義三個(gè)閾值t1,t2和t3，其中t1＜t2＜t3。對(duì)于兩個(gè)不同的區(qū)域，如果區(qū)域i和區(qū)域j之間的dij≤t1，那么合并這兩個(gè)區(qū)域?yàn)橐粋€(gè)區(qū)域，經(jīng)過(guò)計(jì)算可得到第一層聚類結(jié)果基于第一層聚類結(jié)果將閾值設(shè)置為t2，經(jīng)計(jì)算可得到第二層聚類結(jié)果同樣的方法，設(shè)置閾值為t3，經(jīng)計(jì)算得到第三層聚類結(jié)果。最終，經(jīng)過(guò)以上計(jì)算從而得到三層聚類結(jié)果和

第四步，利用貝葉斯模型對(duì)每一層聚類結(jié)果進(jìn)行處理，得到圖像的三層初始顯著圖。

4.1)先驗(yàn)圖的計(jì)算

對(duì)于聚類集中每個(gè)像素的先驗(yàn)顯著性概率有如下定義

其中，cluster定義一個(gè)聚類集合，att定義第一步(1.3)計(jì)算得到的注視圖區(qū)域。

4.2)觀測(cè)似然度的計(jì)算

在第一步中計(jì)算出的注視區(qū)域?qū)D像分割為不相交兩部分，定義注視區(qū)域?yàn)閕，其余部分為o。觀測(cè)似然概率的計(jì)算有如下定義

其中，ni定義了區(qū)域i中像素的數(shù)量，no定義了區(qū)域o中像素的數(shù)量，f(v)定義了像素v在cielab顏色空間的呈現(xiàn)，ni(f(v))和no(f(v))定義了ni包含f(v)以及no包含f(v)的數(shù)量。

4.3)初始顯著圖的計(jì)算

利用貝葉斯框架，可以計(jì)算出圖像中每一個(gè)像素的顯著概率，從而得到初始的顯著圖，通過(guò)如下公式定義可計(jì)算出初始顯著圖

p(bk)＝1-p(sal)(15)

對(duì)于三層聚類結(jié)果，經(jīng)過(guò)以上步驟的計(jì)算可得到三層初始顯著圖和

第五步，融合三層初始顯著圖，計(jì)算得到最終的顯著圖。

5.1)最終顯著圖的計(jì)算

通過(guò)融合以上步驟所計(jì)算出的三層初始顯著圖，利用公式(16)可計(jì)算出最終的顯著圖

本發(fā)明的有益效果為：該方法區(qū)別于已有方法的特色在于，利用被包圍狀態(tài)預(yù)測(cè)人眼的注視區(qū)域，檢測(cè)出顯著物體的大致區(qū)域。接著用ncut對(duì)超像素進(jìn)行三層聚類得到三層聚類結(jié)果?；谧⒁晠^(qū)域和三層聚類結(jié)果，利用貝葉斯模型計(jì)算出三層初始顯著圖，最后融合三個(gè)初始顯著圖得到最終的顯著圖。該方法的顯著性檢測(cè)結(jié)果更接近真值。

附圖說(shuō)明

圖1是本發(fā)明方法的流程示意圖。

圖2是幾種不同方法的顯著性檢測(cè)結(jié)果對(duì)比圖。(a)待檢測(cè)圖片；(b)xl方法檢測(cè)結(jié)果；(c)mr方法檢測(cè)結(jié)果；(d)hs方法檢測(cè)結(jié)果；(e)ms方法檢測(cè)結(jié)果；(f)本發(fā)明的檢測(cè)結(jié)果；(g)真值。

圖3是本發(fā)明與其他顯著性檢測(cè)方法在msra標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)上的mae(平均絕對(duì)誤差)對(duì)比。

具體實(shí)施方法

下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式進(jìn)行詳細(xì)說(shuō)明。本實(shí)施例以本發(fā)明技術(shù)方案為前提進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過(guò)程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

在msra標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)上對(duì)提出的算法進(jìn)行測(cè)試，其中msra數(shù)據(jù)庫(kù)中包含了1000張圖片，圖片中包含了各種背景復(fù)雜場(chǎng)景，數(shù)據(jù)庫(kù)復(fù)雜度較高，目標(biāo)大小、形狀、位置各異，對(duì)顯著性檢測(cè)具有很大的挑戰(zhàn)性。這個(gè)數(shù)據(jù)庫(kù)都有對(duì)應(yīng)的人工標(biāo)定的顯著性目標(biāo)區(qū)域圖。

圖1是本發(fā)明的流程示意圖；圖2是本發(fā)明與其他不同算法的顯著性檢測(cè)結(jié)果對(duì)比圖；圖3是本發(fā)明與其他不同顯著性檢測(cè)算法在msra標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)上的mae(平均絕對(duì)誤差)對(duì)比圖。實(shí)現(xiàn)本算法的具體步驟為：

步驟1，計(jì)算顯著物體的大致區(qū)域

1.1：二值圖的計(jì)算如下所示

其中fφ是用于特征通道采樣的先驗(yàn)分布函數(shù)，是用于在特征通道θ上進(jìn)行閾值采樣的先驗(yàn)分布函數(shù)，φ(i)定義了一個(gè)特征圖，φ(i)∈[0,1]，bi是產(chǎn)生的二值圖。

1.2：激活圖的計(jì)算

基于先前計(jì)算得到的二值圖，對(duì)二值圖進(jìn)行處理激活二值圖中的被包圍區(qū)域。

m⁺(b)＝m(b)∧b,(2)

二值圖中包含多個(gè)連通分支，當(dāng)一個(gè)像素被包含于邊界連通分支中時(shí)，那么這個(gè)像素是沒(méi)有被包圍的?；谶@一準(zhǔn)則，以邊界節(jié)點(diǎn)作為種子，利用注入填充算法(floodfillalgorithm)可以高效的覆蓋掉沒(méi)有被包圍的像素，從而得到激活圖m(b)，它把所有被包圍的像素值設(shè)為1，沒(méi)有被包圍的值設(shè)為0。接著利用公式(2)(3)對(duì)激活圖進(jìn)行處理得到兩個(gè)子激活圖。

1.3：計(jì)算得到顯著物體的大致區(qū)域

其中，基于上一步得到的子激活圖，利用公式(4)計(jì)算出每一個(gè)二值圖的注視圖，基于得到的每一個(gè)二值圖的注視圖，利用公式(5)進(jìn)行歸一化處理得到最終的注視圖，這個(gè)注視圖就是我們要得到的顯著物體的大致區(qū)域。

步驟2，建立圖像的圖模型

2.1：計(jì)算得到初始超像素

利用簡(jiǎn)單線性迭代聚類(slic)算法對(duì)圖像處理，得到一幅圖像的超像素圖。slic算法是基于兩個(gè)像素的顏色相似性和坐標(biāo)距離進(jìn)行聚類得到最終的超像素。

2.2：圖模型中節(jié)點(diǎn)和邊的構(gòu)建

基于2.1中得到的超像素圖，以每一個(gè)超像素作為圖中節(jié)點(diǎn)，相鄰超像素之間建立連接關(guān)系。如果不相鄰的兩個(gè)超像素和同一超像素鄰接，那么對(duì)這兩個(gè)超像素建立鄰接關(guān)系。

利用公式(6)可計(jì)算圖中連接的兩個(gè)節(jié)點(diǎn)之間的權(quán)重，其中ci和cj表示兩個(gè)超像素的特性均值，σ²是一個(gè)平衡參數(shù)，在實(shí)驗(yàn)中設(shè)置為0.1。

最后，我們建立了圖的模型g＝(v,e)，其中，v是超像素節(jié)點(diǎn)的集合，e是建立的邊的集合。

步驟3：基于ncut對(duì)超像素進(jìn)行聚類得到三層聚類結(jié)果和

3.1：歸一化割模型的建立

基于步驟2得到的圖g，定義w＝(ωij)mm是它的鄰接矩陣，其中m＝200,是超像素的數(shù)量；是它的度矩陣，其中可得到圖g的拉普拉斯矩陣l＝d-w。對(duì)于兩個(gè)子集a和b之間割的花費(fèi)有如下定義

定義為a的補(bǔ)集，給定m個(gè)子集，ncut可以計(jì)算出m個(gè)子集之間割的最小值。有如下定義

由于公式(8)是一個(gè)np問(wèn)題，可以為每一個(gè)ai定義一個(gè)指示向量，這個(gè)指示向量可以通過(guò)求d^-1l的前q個(gè)最小的特征向量得到，從而可以求解公式(8)，其中，q＝9。

3.2：利用歸一化割得到聚類信息

定義求解d^-1l的前q個(gè)最小的特征向量為v1,v2,...,vq，對(duì)應(yīng)的特征值為λ1,λ2,...,λq。在圖g中，如果超像素si和sj是鄰接的，利用公式(10)重新構(gòu)建它們之間關(guān)系權(quán)重。

3.3：計(jì)算得到三層聚類結(jié)果和

定義三個(gè)閾值t1,t2和t3，它們的值分別為0.04，0.09和0.15。對(duì)于兩個(gè)不同的區(qū)域，如果區(qū)域i和區(qū)域j之間的dij≤0.04，那么合并這兩個(gè)區(qū)域?yàn)橐粋€(gè)區(qū)域，經(jīng)過(guò)計(jì)算可得到第一層聚類結(jié)果基于第一層聚類結(jié)果將閾值設(shè)置為0.09，經(jīng)計(jì)算可得到第二層聚類結(jié)果同樣的方法，設(shè)置閾值為0.15，經(jīng)計(jì)算得到第三層聚類結(jié)果。最終，經(jīng)過(guò)以上計(jì)算從而得到三層聚類結(jié)果和

步驟4：利用貝葉斯模型對(duì)每一層聚類結(jié)果進(jìn)行處理，得到圖像的三層初始顯著圖

4.1：先驗(yàn)圖的計(jì)算

對(duì)于聚類集中每個(gè)像素的先驗(yàn)顯著性概率有如下定義

其中，cluster定義了一個(gè)聚類集合，att定義了第一步(1.3)計(jì)算得到的注視圖區(qū)域。

4.2：觀測(cè)似然度的計(jì)算

在第一步中計(jì)算出的注視區(qū)域?qū)D像分割為不相交兩部分，定義注視區(qū)域?yàn)閕，其余部分為o。觀測(cè)似然概率的計(jì)算有如下定義

其中，ni定義了區(qū)域i中像素的數(shù)量，no定義了區(qū)域o中像素的數(shù)量，f(v)定義了像素v在cielab顏色空間的呈現(xiàn)，ni(f(v))和no(f(v))定義了ni包含f(v)以及no包含f(v)的數(shù)量。

4.3：初始顯著圖的計(jì)算

利用貝葉斯框架，可以計(jì)算出圖像中每一個(gè)像素的顯著概率，從而得到初始的顯著圖，通過(guò)如下公式定義可計(jì)算出初始顯著圖

p(bk)＝1-p(sal)(15)

對(duì)于三層聚類結(jié)果，經(jīng)過(guò)以上的計(jì)算可得到三層初始顯著圖和

步驟5：融合三層初始顯著圖，計(jì)算得到最終的顯著圖

5.1：最終顯著圖的計(jì)算

通過(guò)融合以上步驟所計(jì)算出的三層初始顯著圖，利用公式(16)可計(jì)算出最終的顯著圖