本發(fā)明涉及圖像處理領(lǐng)域，具體是一種顯著目標(biāo)檢測(cè)方法，可用于復(fù)雜背景圖像的顯著目標(biāo)檢測(cè)。

技術(shù)背景

顯著目標(biāo)檢測(cè)，旨在檢測(cè)場(chǎng)景中與周圍區(qū)域具有顯著差別、且吸引人眼注意的目標(biāo)，并將該顯著目標(biāo)完整一致地與背景分離。作為一種重要的圖像處理方式，顯著目標(biāo)檢測(cè)已廣泛應(yīng)用于圖像分割、圖像恢復(fù)、目標(biāo)識(shí)別等圖像處理領(lǐng)域。

基于稀疏表示的圖像顯著目標(biāo)檢測(cè)是顯著目標(biāo)檢測(cè)的一類重要方法。該類方法首先將輸入圖像過(guò)分割成若干個(gè)圖像塊或超像素；然后，構(gòu)建一個(gè)過(guò)完備字典，并對(duì)圖像塊或超像素進(jìn)行稀疏重構(gòu)；最后，根據(jù)重構(gòu)系數(shù)或重構(gòu)誤差計(jì)算圖像塊或超像素的顯著值。

早期的基于稀疏表示的顯著目標(biāo)檢測(cè)方法如“y.li,y.zhou,l.xu,x.yang,incrementalsparsesaliencydetection,in:internationalconferenceonimageprocessing,2009,pp.3093–3096.”“b.han,h.zhu,y.ding,bottom-upsaliencybasedonweightedsparsecodingresidual,in:internationalconferenceonmultimedea,2011,pp.1117–1120.”是將待測(cè)試圖像塊的周圍鄰域塊作為該圖像塊的字典，利用此字典稀疏重構(gòu)該圖像塊。因此，此類方法通常對(duì)顯著目標(biāo)邊界賦予較高的顯著值。

近年來(lái)，為了解決上述問(wèn)題，產(chǎn)生了一些有效的稀疏表示方法，例如“h.lu,x.li,l.zhang,r.xiang,denseandsparsereconstructionerrorbasedsaliencydescriptor,ieeetransactionsonimageprocessing25(4)(2016)1592–1603.”該方法基于邊界先驗(yàn)，利用圖像邊界區(qū)域構(gòu)建背景字典，利用此背景字典對(duì)圖像超像素進(jìn)行稀疏表示，得到重構(gòu)誤差，然后利用重構(gòu)誤差定義顯著性因子得到最終顯著值。然而，此類方法只是獨(dú)立的計(jì)算了各個(gè)圖像超像素的顯著值，沒(méi)有考慮圖像的空間局部一致性和空間特征一致性，因此，顯著目標(biāo)檢測(cè)結(jié)果的一致性較差。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種基于魯棒稀疏表示與拉普拉斯正則項(xiàng)的顯著目標(biāo)檢測(cè)方法，以提高在復(fù)雜場(chǎng)景圖像中對(duì)顯著目標(biāo)的檢測(cè)一致性。

實(shí)現(xiàn)本發(fā)明的關(guān)鍵技術(shù)是采用魯棒稀疏表示方法，將圖像中的顯著目標(biāo)看成稀疏的“野點(diǎn)”：首先對(duì)圖像過(guò)分割得到若干超像素，利用圖像邊界構(gòu)建背景字典，采用此背景字典對(duì)輸入圖像進(jìn)行魯棒稀疏表示。同時(shí)，考慮空間局部一致性和特征空間一致性，采用拉普拉斯正則項(xiàng)約束待測(cè)試超像素與其空間鄰域內(nèi)超像素的表示系數(shù)和重構(gòu)誤差的相似性。其具體實(shí)現(xiàn)步驟包括如下：

(1)利用簡(jiǎn)單線性迭代聚類算法slic將輸入圖像過(guò)分割為n個(gè)超像素，選取處于圖像邊界區(qū)域的超像素構(gòu)建背景字典d＝[d1,...djk,dk]∈r^m×k，其中dj為第j個(gè)字典原子，j＝1,...,k，k為字典原子個(gè)數(shù)，r^m為m維特征向量；

(2)采用魯棒稀疏表示方法，構(gòu)建如下顯著目標(biāo)檢測(cè)模型：

s.t.x＝dz+e

其中，x為輸入圖像，d為背景字典，e為重構(gòu)誤差矩陣，z為表示系數(shù)矩陣，||z||1為矩陣z的l1范數(shù)，||e||2,1為矩陣e的l2,1范數(shù)，拉普拉斯矩陣l定義為l＝c-w，矩陣w∈r^n×n為關(guān)聯(lián)矩陣，構(gòu)建方法為：wi,j＝ωij，權(quán)重ωij表示第i個(gè)超像素與其鄰域內(nèi)第j個(gè)超像素之間的相似性，對(duì)角矩陣c∈r^n×n定義為：zi和ei分別為表示系數(shù)矩陣z和重構(gòu)誤差矩陣e的第i列，λ1為平衡因子，實(shí)驗(yàn)設(shè)置為0.1，λ2和λ3為兩個(gè)權(quán)衡參數(shù)，實(shí)驗(yàn)設(shè)置為0.01；

(3)利用交替方向乘子算法admm和sparsa算法聯(lián)合求解上述模型，得到背景字典d、最優(yōu)的超像素的重構(gòu)誤差矩陣e^*和表示系數(shù)矩陣z^*；

(4)構(gòu)建超像素級(jí)顯著性因子：

(4a)采用每個(gè)超像素的重構(gòu)誤差的能量構(gòu)建基于重構(gòu)誤差的顯著性因子sale，即：

其中，e^*(:,i)為第i個(gè)超像素si對(duì)應(yīng)的重構(gòu)誤差，i＝1,...,n，||e^*(:,i)||2為向量e^*(:,i)的l2范數(shù)，e^*表示最優(yōu)的重構(gòu)誤差矩陣，σe為高斯核尺度參數(shù)，實(shí)驗(yàn)設(shè)置為σe＝4；

(4b)采用每個(gè)超像素的表示系數(shù)的稀疏度和能量共同構(gòu)建顯著性因子salz，即：

其中，z^*(:,i)為第i個(gè)超像素si對(duì)應(yīng)的表示系數(shù)；||z^*(:,i)||0和||z^*(:,i)||2分別為向量z^*(:,i)的l0范數(shù)和l2范數(shù)，其分別代表第i個(gè)超像素si的表示系數(shù)稀疏度和能量，z*表示最優(yōu)的表示系數(shù)矩陣；

(4c)根據(jù)由重構(gòu)誤差和表示系數(shù)得到的顯著性因子sale和salz，構(gòu)建最終的顯著性因子sal，即：

sal(si)＝sale(si)^α×salz(si)^1-α，

其中，α為權(quán)衡因子，實(shí)驗(yàn)設(shè)置為0.8；每個(gè)顯著性因子的值對(duì)應(yīng)于每個(gè)超像素的顯著值；

(5)將每個(gè)超像素的顯著值賦給其區(qū)域內(nèi)的每個(gè)像素，得到最終輸出的像素級(jí)顯著圖。

本發(fā)明具有如下效果：

1)本發(fā)明將魯棒稀疏表示模型應(yīng)用于顯著目標(biāo)檢測(cè)中，將顯著目標(biāo)看成稀疏的“野點(diǎn)”，從而，將復(fù)雜的顯著目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)化為簡(jiǎn)單的稀疏追蹤問(wèn)題；

2)本發(fā)明考慮空間局部一致性和特征空間一致性，采用拉普拉斯正則項(xiàng)分別約束待測(cè)試超像素與其空間鄰域內(nèi)超像素的表示系數(shù)和重構(gòu)誤差的相似性，并利用重構(gòu)誤差和表示系數(shù)共同構(gòu)建顯著性因子，提高了對(duì)背景的抑制效果，并能夠?qū)崿F(xiàn)完整一致地檢測(cè)顯著目標(biāo)。

附圖說(shuō)明

圖1為本發(fā)明的實(shí)現(xiàn)流程框圖。

圖2為背景區(qū)域超像素和顯著目標(biāo)區(qū)域超像素對(duì)應(yīng)的表示系數(shù)稀疏度和幅度圖；

圖3為本發(fā)明與現(xiàn)有三種檢測(cè)方法在msra10k數(shù)據(jù)庫(kù)下進(jìn)行顯著目標(biāo)檢測(cè)實(shí)驗(yàn)的結(jié)果圖；

圖4為本發(fā)明與現(xiàn)有三種檢測(cè)方法進(jìn)行顯著目標(biāo)檢測(cè)的部分實(shí)驗(yàn)結(jié)果比較圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明的實(shí)施例和效果做進(jìn)一步詳細(xì)的描述。

參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下：

步驟1，對(duì)待分割圖像進(jìn)行過(guò)分割。

(1a)輸入待分割圖像，并利用簡(jiǎn)單線性迭代聚類slic算法將該待分割輸入圖像過(guò)分割為n個(gè)超像素：s＝[s1,si...,sn]，si為第i個(gè)超像素，i＝1,...,n；

(1b)對(duì)于每個(gè)超像素si，在rgb、hsv和cielab三種顏色特征空間中提取9維的顏色特征向量xi∈r⁹。

步驟2，構(gòu)建背景字典.

基于邊界先驗(yàn)信息，處于邊界區(qū)域的超像素更可能為背景區(qū)域超像素，因此本發(fā)明利用圖像邊界區(qū)域的超像素構(gòu)建背景字典d＝[d1,...djk,dk]∈r^m×k，其中dj為第j個(gè)字典原子，j＝1,...,k，k為字典原子個(gè)數(shù)，r^m為m維特征向量。

步驟3，構(gòu)建顯著目標(biāo)檢測(cè)模型。

(3a)采用魯棒稀疏表示模型，將輸入圖像的顯著目標(biāo)看成稀疏的“野點(diǎn)”，從而將輸入圖像分解成兩部分，一部分是由背景字典稀疏表示的區(qū)域，該區(qū)域通常對(duì)應(yīng)背景區(qū)域；另一部分是采用稀疏誤差表示的區(qū)域，稀疏誤差大的區(qū)域通常對(duì)應(yīng)顯著目標(biāo)；因此將顯著目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)換為稀疏追蹤問(wèn)題。

(3b)利用魯棒稀疏表示模型將輸入圖像稀疏表示為：

其中，x為輸入圖像，d為背景字典，e為重構(gòu)誤差矩陣，z為表示系數(shù)矩陣，||z||1為矩陣z的l1范數(shù)，||e||2,1為矩陣e的l2,1范數(shù)，λ1為平衡因子，實(shí)驗(yàn)設(shè)置為0.1；

(3c)利用圖像中的空間局部一致性和特征空間一致性約束表示系數(shù)和重構(gòu)誤差的相似性：

考慮圖像中的空間局部一致性，如果待測(cè)試超像素與其空間鄰域內(nèi)的超像素具有相似的顯著性，則在同一個(gè)背景字典下，它們具有相似的表示系數(shù)和重構(gòu)誤差，同時(shí)，考慮圖像中的特征空間一致性，如果待測(cè)試超像素與其空間鄰域內(nèi)特征相似的超像素具有相似的顯著性，則在同一個(gè)背景字典下，它們具有相似的表示系數(shù)和重構(gòu)誤差，其約束規(guī)則如下：

(3c1)本模型采用基于表示系數(shù)矩陣得到的拉普拉斯正則項(xiàng)tr(zlz^t)約束待測(cè)試超像素與其空間鄰域內(nèi)超像素的表示系數(shù)的相似性，該正則項(xiàng)tr(zlz^t)表示如下：

其中zi為表示系數(shù)矩陣z的第i列,ωij為第i個(gè)超像素si與第j個(gè)超像素sj之間的相似性：

式中，為兩個(gè)超像素間的空間距離相似性，pi,pj∈r²分別為兩個(gè)超像素的中心位置，為兩個(gè)超像素間的特征相似性，xi,xj∈r^m分別為兩個(gè)超像素的特征向量，σp和σf為兩個(gè)數(shù)值不同的高斯核尺度參數(shù)，σf＝1；

拉普拉斯矩陣l定義為l＝c-w，矩陣w∈r^n×n為關(guān)聯(lián)矩陣，構(gòu)建方法為：wi,j＝ωij，對(duì)角矩陣c∈r^n×n定義為：tr(g)為矩陣的跡；

(3c2)本模型采用基于重構(gòu)誤差矩陣得到的拉普拉斯正則項(xiàng)tr(ele^t)約束待測(cè)試超像素與其空間鄰域內(nèi)超像素的重構(gòu)誤差的相似性,該正則項(xiàng)tr(ele^t)表示如下：

其中，ei為重構(gòu)誤差矩陣e的第i列；

(3d)由(3b)和(3c)得到本發(fā)明的顯著目標(biāo)檢測(cè)模型：

s.t.x＝dz+e

其中，λ1為平衡因子，實(shí)驗(yàn)設(shè)置為0.1，λ2和λ3分別為tr(zlz^t)和tr(ele^t)的權(quán)衡參數(shù)，λ2＝0.01，λ3＝0.01；

(3e)利用交替方向乘子算法admm和sparsa算法聯(lián)合求解(3d)得到的顯著目標(biāo)檢測(cè)模型，得到最優(yōu)的重構(gòu)誤差矩陣e*和最優(yōu)的表示系數(shù)矩陣z*。

所述交替方向乘子算法admm見(jiàn)參考文獻(xiàn)：r.achanta,a.shaji,k.smith,a.lucchi,p.fua,s.susstrunk,slicsuperpixelscomparedtostate-of-the-artsuperpixelmethods,ieeetransactionsonpatternanalysisandmachineintelligence34(11)(2012)2274-2281.

所述sparsa算法見(jiàn)參考文獻(xiàn)：s.boyd,n.parikh,e.chu,b.peleato,j.eckstein,distributedoptimizationandstatisticallearningviathealternatingdirectionmethodofmultipliers,foundations&trendsinmachinelearning3(1)(2010)1-122.

步驟4，構(gòu)建顯著性因子。

(4a)利用最優(yōu)的重構(gòu)誤差矩陣e*構(gòu)建顯著性因子sale：

給定背景字典，背景區(qū)域超像素對(duì)應(yīng)的重構(gòu)誤差比較低，而顯著目標(biāo)區(qū)域超像素對(duì)應(yīng)的重構(gòu)誤差比較高，基于此，利用每個(gè)超像素的重構(gòu)誤差的能量構(gòu)建顯著性因子sale(si)，即

其中，e^*(:,i)為超像素si對(duì)應(yīng)的重構(gòu)誤差；||e^*(:,i)||2為向量e^*(:,i)的l2范數(shù)，其代表超像素si對(duì)應(yīng)的重構(gòu)誤差的能量；σe為高斯核尺度參數(shù)，實(shí)驗(yàn)設(shè)置為σe＝4；

(4b)利用最優(yōu)的表示系數(shù)矩陣z*構(gòu)建顯著性因子salz：

根據(jù)給定背景字典，背景區(qū)域超像素對(duì)應(yīng)的表示系數(shù)比較稀疏，且幅度比較小，而顯著目標(biāo)區(qū)域超像素的表示系數(shù)比較稠密，且幅度較大的特點(diǎn)，利用每個(gè)超像素對(duì)應(yīng)的表示系數(shù)的稀疏度和能量共同構(gòu)建顯著性因子salz(si)，即：

其中，z^*(:,i)為超像素si的重構(gòu)系數(shù)；||z^*(:,i)||0為向量z^*(:,i)的l0范數(shù)，代表超像素si對(duì)應(yīng)的表示系數(shù)的稀疏度；||z^*(:,i)||2為向量z^*(:,i)的l2范數(shù)，代表超像素si對(duì)應(yīng)的表示系數(shù)的能量；σz為高斯核尺度參數(shù)，本實(shí)例實(shí)驗(yàn)設(shè)置為σz＝4；

(4c)對(duì)于每個(gè)超像素si，聯(lián)合利用重構(gòu)誤差得到的顯著性因子sale(si)和利用表示系數(shù)得到的顯著性因子salz(si)構(gòu)建最終的顯著性因子sal(si)：

sal(si)＝sale(si)^α×salz(si)^1-α，

其中，α為權(quán)衡因子，實(shí)驗(yàn)設(shè)置為0.8。

步驟五，輸出像素級(jí)顯著圖。

根據(jù)每個(gè)超像素si對(duì)應(yīng)的顯著性因子的值sal(si)得到該超像素的顯著值msp(si)：msp(si)＝sal(si)，從而得到超像素級(jí)別的顯著圖；

定義每個(gè)像素點(diǎn)的顯著值mp(p)等于其所在超像素區(qū)域的顯著值，表示如下：

mp(p)＝msp(si),ifp∈si，

其中，mp(p)為第p個(gè)像素點(diǎn)的顯著值，得到最終輸出的像素級(jí)顯著圖。

本發(fā)明的效果可通過(guò)以下實(shí)驗(yàn)進(jìn)一步說(shuō)明：

一、實(shí)驗(yàn)條件

所有實(shí)驗(yàn)均在windows7操作系統(tǒng)下采用matlab2013軟件實(shí)現(xiàn)。

二、實(shí)驗(yàn)內(nèi)容

實(shí)驗(yàn)1：

使用本發(fā)明方法在公共圖像數(shù)據(jù)庫(kù)msra10k下進(jìn)行顯著目標(biāo)檢測(cè)實(shí)驗(yàn)，選取實(shí)驗(yàn)結(jié)果對(duì)檢測(cè)得到的背景區(qū)域超像素與顯著目標(biāo)區(qū)域超像素對(duì)應(yīng)的表示系數(shù)的稀疏度和幅度進(jìn)行比較，結(jié)果如圖2所示,其中圖2(a)為背景區(qū)域超像素與顯著目標(biāo)區(qū)域超像素對(duì)應(yīng)的表示系數(shù)的稀疏度比較圖，圖3(b)為背景區(qū)域超像素與顯著目標(biāo)區(qū)域超像素對(duì)應(yīng)的表示系數(shù)的幅度比較圖。

從圖2(a)可以看出，給定背景字典，背景超像素對(duì)應(yīng)的表示系數(shù)較稀疏，而顯著目標(biāo)超像素對(duì)應(yīng)的表示系數(shù)較稠密；從圖2(b)可以看出，背景超像素對(duì)應(yīng)的表示系數(shù)幅度較小，而顯著目標(biāo)超像素對(duì)應(yīng)的幅度較大。圖2結(jié)果表明本發(fā)明根據(jù)表示系數(shù)的稀疏度和幅度構(gòu)建顯著性因子具有合理性。

實(shí)驗(yàn)2：

使用本發(fā)明方法與其他三種顯著目標(biāo)檢測(cè)方法在msra10k數(shù)據(jù)庫(kù)下進(jìn)行顯著目標(biāo)檢測(cè)實(shí)驗(yàn)，并對(duì)實(shí)驗(yàn)結(jié)果采用準(zhǔn)確率-召回率(p-r)曲線、f-measure曲線兩種評(píng)價(jià)指標(biāo)進(jìn)行客觀評(píng)價(jià)，結(jié)果如圖3所示，其中圖3(a)為準(zhǔn)確率-召回率(p-r)曲線結(jié)果比較圖，圖3(b)為f-measure曲線結(jié)果比較圖。圖3中rsr-lc表示本發(fā)明方法，rsr-b表示采用魯棒稀疏表示模型，字典選用背景字典的顯著目標(biāo)檢測(cè)方法；sr-b表示采用稀疏表示模型，字典選用背景字典的顯著目標(biāo)檢測(cè)方法；sr-s表示采用稀疏表示模型，選用待測(cè)超像素的鄰域超像素作為字典的顯著目標(biāo)檢測(cè)方法。

從圖3可以看出，本發(fā)明方法rsr-lc與其他三種方法相比，具有更高的pr曲線和f-measure曲線，從而表明了本發(fā)明方法考慮空間局部一致性和特征空間一致性進(jìn)行顯著目標(biāo)檢測(cè)的有效性和優(yōu)越性。

實(shí)驗(yàn)3：

使用本發(fā)明方法rsr-lc與其他三種顯著目標(biāo)檢測(cè)方法rsr-b、sr-b、sr-s在msra10k數(shù)據(jù)庫(kù)下進(jìn)行顯著目標(biāo)檢測(cè)實(shí)驗(yàn)，并對(duì)部分實(shí)驗(yàn)結(jié)果進(jìn)行直觀的比較，結(jié)果如圖4所示，其中，original表示數(shù)據(jù)庫(kù)中的原始圖像，gt表示人工標(biāo)定的二值圖。

從圖4可以看出，本發(fā)明方法在顯著目標(biāo)檢測(cè)的完整一致性方面具有更好的性能，且對(duì)背景具有更好的抑制效果。