本發(fā)明屬于人工智能技術(shù)領(lǐng)域，涉及到計算機視覺，特別涉及到一種圖像顯著性檢測方法。

背景技術(shù)：

隨著科技的發(fā)展，人們接收到的圖像、視頻等信息呈現(xiàn)爆炸式的增長。如何快速有效的處理圖像數(shù)據(jù)成為擺在人們面前的一道亟待解決的難題。通常，人們只關(guān)注圖像中吸引人眼注意的較為顯著區(qū)域，即前景區(qū)域或顯著目標，同時忽視背景區(qū)域。因此，人們利用計算機模擬人類視覺系統(tǒng)進行顯著性檢測。目前，顯著性的研究可以廣泛應(yīng)用到計算機視覺的各個領(lǐng)域，包括圖像檢索、圖像壓縮、目標識別和圖像分割等。

在顯著性檢測中，如何精準的從圖像中將顯著目標檢測出來是一個非常重要的問題。傳統(tǒng)的顯著性檢測方法存在很多不足，尤其面對比較復(fù)雜的多目標圖像或者顯著目標與背景之間很相似的情況時，檢測的結(jié)果往往不準確。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是：彌補上述現(xiàn)有方法的不足，提出一種新的圖像顯著性檢測方法，使得檢測的結(jié)果更加準確。

本發(fā)明的技術(shù)方案：

一種基于區(qū)域樣本選擇的顯著性檢測方法，步驟如下：

(1)提取待處理圖像對應(yīng)的區(qū)域候選樣本以及區(qū)域候選樣本的深度特征；

(2)采用由粗到細的選擇機制處理區(qū)域候選樣本，首先根據(jù)多個先驗知識定義用于評價區(qū)域候選樣本目標性和顯著性的評價指標，具體的定義如下：

區(qū)域候選樣本對應(yīng)的目標區(qū)域中心周圍對比度(cs)：其中，aij表示超像素i和j之間的相似度，nf和ns分別表示區(qū)域候選樣本的目標區(qū)域和對應(yīng)的周圍背景區(qū)域中所包含的超像素的數(shù)量；

區(qū)域候選樣本對應(yīng)的目標區(qū)域內(nèi)部相似度(hg)：

區(qū)域候選樣本對應(yīng)的目標區(qū)域全局邊界一致性(ge)：其中，和λ為常數(shù)，e和p分別表示待處理圖像邊緣輪廓先驗圖和區(qū)域候選樣本的邊緣輪廓像素集，函數(shù)|*|計算給定集合中所包含樣本的數(shù)量；

區(qū)域候選樣本對應(yīng)的目標區(qū)域局部邊界一致性(le)：其中，表示超像素i中位于區(qū)域候選樣本前景區(qū)域中的像素個數(shù)，ni表示超像素i包含的所有像素個數(shù)。δ(i)是一個指示函數(shù)，用來判斷超像素是否包含不同區(qū)域的像素，ρ²為常數(shù)。

區(qū)域候選樣本對應(yīng)的目標區(qū)域位置先驗(lc)：其中，和cp和ce分別表示區(qū)域候選樣本和待處理圖像邊緣輪廓先驗圖的重心，npb表示區(qū)域候選樣本的目標區(qū)域占據(jù)待處理圖像邊界的像素數(shù)量。

根據(jù)定義上述的評價指標，對區(qū)域候選樣本分兩個階段進行排序；

在第一階段，首先將目標區(qū)域大小占圖像面積低于3％或者超過85％的區(qū)域候選樣本去除，然后用上述五個評價指標評價余下的區(qū)域候選樣本，保留排序分數(shù)最大的前40％的區(qū)域候選樣本進行多尺度聚類；疊加每個聚類中心的所有區(qū)域候選樣本，采用自適應(yīng)的閾值二值化疊加的結(jié)果，為每個聚類中心產(chǎn)生一個代表樣本；

最后再次采用上述五個評價指標評價每個聚類中心的代表樣本，輸出排序分數(shù)最高的樣本作為偽真值，用于第二階段處理；

在第二階段，根據(jù)第一階段得到的偽真值，在整個圖像庫中計算區(qū)域候選樣本與它們偽真值之間的fmeasure值，選擇值最大的前三個作為正樣本，值最小的后三個作為負樣本，然后訓(xùn)練一個分類器wp，通過分類器按照的方式對區(qū)域候選樣本重新評價，其中xi和fi(x)分別表示第i個區(qū)域候選樣本的特征和排序分數(shù)；加權(quán)疊加排序分數(shù)最大的前16個區(qū)域候選樣本并歸一化得到顯著圖sp；

(3)步驟(2)得到的顯著圖sp不能完整的突出顯著目標，因此采用超像素進一步優(yōu)化檢測結(jié)果。在單幅圖像中，顯著圖sp中顯著值大于0.8的超像素選為正樣本，小于0.05的超像素作為負樣本，訓(xùn)練一個與步驟(2)中同類型和參數(shù)的分類器ws；同時將待處理圖像過分割成不同尺度的超像素；根據(jù)得到的分類器ws，按照的方式重新為超像素賦予權(quán)值，其中si和fi(s)分別表示第i個超像素的特征和顯著性值；在多個不同尺度下得到多個顯著圖最后通過公式融合得到優(yōu)化后的顯著圖ss。

(4)顯著圖sp和ss彼此相互補充，按照的方式加權(quán)融合兩個顯著圖，其中用于強調(diào)顯著圖ss；將s歸一化之后得到最終的檢測結(jié)果。

本發(fā)明提出的基于區(qū)域候選樣本選擇的顯著性檢測方法，在現(xiàn)有先驗知識的基礎(chǔ)上，通過引入深度特征和分類器并采用由粗到細的選擇機制，評價區(qū)域候選樣本的顯著性和目標性，然后又利用超像素進一步優(yōu)化檢測結(jié)果，從而可以有效的檢測圖像中的顯著目標。與傳統(tǒng)方法相比，檢測結(jié)果更加準確。特別是對于多目標或者目標與背景很相似的圖像，本發(fā)明方法的檢測結(jié)果更加符合人類的視覺感知，得到的顯著圖也更加準確。

附圖說明

圖1是本發(fā)明方法的基本流程圖。

圖2是本發(fā)明方法具體實施在多目標圖像上的檢測結(jié)果。

圖3是本發(fā)明方法具體實施在目標與背景較為相似圖像上的檢測結(jié)果。

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。

本發(fā)明的構(gòu)思是：結(jié)合現(xiàn)有的先驗知識，通過定義用于評價區(qū)域候選樣本目標性和顯著性的評價指標，選擇出最優(yōu)的區(qū)域候選樣本并用于顯著目標檢測。在檢測過程中，除了傳統(tǒng)的中心周圍對比度、內(nèi)部相似度、位置先驗等先驗知識外，還針對性的從全局和局部的角度評價區(qū)域候選樣本的輪廓信息。為了更加準確的描述區(qū)域候選樣本，我們還引入了深度特征，使得檢測的結(jié)果更加符合人眼視覺感受。進一步的，本發(fā)明還引入結(jié)構(gòu)化分類器，通過無監(jiān)督學(xué)習(xí)的方式優(yōu)化選擇機制，使得選擇出來的樣本更具有顯著性和目標性。更進一步地，利用超像素優(yōu)化區(qū)域候選樣本存在的不足，使得檢測結(jié)果更加準確。

本發(fā)明具體實施如下：

(1)提取待處理圖像對應(yīng)的區(qū)域候選樣本以及區(qū)域候選樣本的深度特征；

(2)采用由粗到細的選擇機制處理區(qū)域候選樣本，首先根據(jù)多個先驗知識定義用于評價區(qū)域候選樣本目標性和顯著性的評價指標，具體的定義如下：

區(qū)域候選樣本對應(yīng)的目標區(qū)域中心周圍對比度(cs)：其中，aij表示超像素i和j之間的相似度，nf和ns分別表示區(qū)域候選樣本的目標區(qū)域和對應(yīng)的周圍背景區(qū)域中所包含的超像素的數(shù)量；

區(qū)域候選樣本對應(yīng)的目標區(qū)域內(nèi)部相似度(hg)：

區(qū)域候選樣本對應(yīng)的目標區(qū)域全局邊界一致性(ge)：其中，和λ為常數(shù)，e和p分別表示待處理圖像邊緣輪廓先驗圖和區(qū)域候選樣本的邊緣輪廓像素集，函數(shù)|*|計算給定集合中所包含樣本的數(shù)量；

區(qū)域候選樣本對應(yīng)的目標區(qū)域局部邊界一致性(le)：其中，表示超像素i中位于區(qū)域候選樣本前景區(qū)域中的像素個數(shù)，ni表示超像素i包含的所有像素個數(shù)。δ(i)是一個指示函數(shù)，用來判斷超像素是否包含不同區(qū)域的像素，ρ²為常數(shù)。

區(qū)域候選樣本對應(yīng)的目標區(qū)域位置先驗(lc)：其中，和cp和ce分別表示區(qū)域候選樣本和待處理圖像邊緣輪廓先驗圖的重心，npb表示區(qū)域候選樣本的目標區(qū)域占據(jù)待處理圖像邊界的像素數(shù)量。

根據(jù)定義上述的評價指標，對區(qū)域候選樣本分兩個階段進行排序；

在第一階段，首先將目標區(qū)域大小占圖像面積低于3％或者超過85％的區(qū)域候選樣本去除，然后用上述五個評價指標評價余下的區(qū)域候選樣本，保留排序分數(shù)最大的前40％的區(qū)域候選樣本進行多尺度聚類；聚類的個數(shù)分別為6、10和12；疊加每個聚類中心的所有區(qū)域候選樣本，采用自適應(yīng)的閾值二值化疊加的結(jié)果，為每個聚類中心產(chǎn)生一個代表樣本；

最后再次采用上述五個評價指標評價每個聚類中心的代表樣本，輸出排序分數(shù)最高的樣本作為偽真值，用于第二階段處理；

在第二階段，根據(jù)第一階段得到的偽真值，在整個圖像庫中計算區(qū)域候選樣本與它們偽真值之間的fmeasure值，每幅圖像選擇值最大的前三個作為正樣本，值最小的后三個作為負樣本，然后訓(xùn)練一個具有優(yōu)化分類排序功能的分類器wp，通過分類器按照的方式對區(qū)域候選樣本重新評價，其中xi和fi(x)分別表示第i個區(qū)域候選樣本的特征和排序分數(shù)；加權(quán)疊加排序分數(shù)最大的前16個區(qū)域候選樣本并歸一化得到顯著圖sp；

(3)步驟(2)得到的顯著圖sp不能完整的突出顯著目標，因此采用超像素進一步優(yōu)化檢測結(jié)果。在單幅圖像中，顯著圖sp中顯著值大于0.8的超像素選為正樣本，小于0.05的超像素作為負樣本，再次訓(xùn)練一個與步驟(2)中同類型和參數(shù)的分類器ws；同時將待處理圖像過分割成不同尺度的超像素；根據(jù)得到的分類器ws，按照的方式重新為超像素賦予權(quán)值，其中si和fi(s)分別表示第i個超像素的特征和顯著性值；在五個不同尺度下得到五個顯著圖最后通過公式融合得到優(yōu)化后的顯著圖ss。

(4)顯著圖sp和ss彼此相互補充，按照的方式加權(quán)融合兩個顯著圖，其中用于強調(diào)顯著圖ss；將s歸一化之后得到最終的檢測結(jié)果。