[发明专利]一种基于离群数据挖掘的图像显著性检测方法

说明书

技术领域

本发明涉及计算机视觉领域，特别涉及一种基于离群数据挖掘的图像显著性检测(Image Saliency Detection)方法。

背景技术

作为计算机视觉的一个重要研究领域，图像显著性检测通过模拟人类的视觉注意机制来提取图像中具有显著性的区域，以便于进一步对图像进行理解和分析。一般来讲，图像显著性检测方法会输出图像显著性映射图(Saliency Map)，用来反映图像的各个区域对人类的吸引程度。其中，占据人类大部分注意力的区域被称为图像显著性区域。基于图像显著性映射图，显著性区域检测被广泛地应用到计算机视觉的诸多领域当中，如图像检索、显著性区域分割、基于内容感知的图像尺度变换等。

视觉注意机制理论认为人类的视觉系统能够高效率地捕捉到图像中最重要的区域并对其集中大部分注意力，而忽略图像的其他部分。依据理论框架的类型，图像显著性检测方法可以分为两大类：自底向上的检测框架和自顶向下的检测框架。自底向上的检测框架假设人类主要是因为图像中各区域的外部差异和对比来捕捉显著性区域，如颜色、对比度等，且显著性区域与图像其他区域的差别较大。因此，采用该类检测框架方法一般先进行基本视觉特征的提取，如颜色特征(Color Channel)、图像灰度(GreyIntensity)、颜色朝向(Orientation)等，然后依据区域间的对比来计算图像显著性映射图。因此，该类方法主要是由数据驱动且需要遵循关于注意力机制的假设规则。基于自顶向下的检测框架的方法则是与后续图像理解和分析的任务密切相关的、由目标驱动的图像显著性检测。为此，该类方法需要获得图像目标区域的先验知识，如明确目标区域是人脸等，然后依据先验知识构建描述模型来将目标区域与图像背景区分。与自顶向下检测方法相比，自底向上检测方法能够在没有任何先验知识的前提下，只依据图像的基本视觉特征高效地构建图像显著性映射图。因此，近年来大部分研究工作都是基于自底向上检测方法。

当前流行的自底向上检测方法的最大问题在于无法均匀地给予显著性区域各个像素同等大小的显著性似然值(Saliency Score)，而一般仅能够将显著性区域的边缘与图像背景区域明显区分。一方面，这使得图像显著性区域的提取不够完整，因而给进一步的图像理解和分析提出了更多的挑战；另一方面，同一区域的显著性似然值差异过大，无法将显著性似然值作为权重直接与图像的高层语义特征结合，限制了图像显著性区域的应用范围。

发明内容

(一)要解决的技术问题

本发明的目的在于提出一种适用于复杂场景下无监督的图像显著性区域检测方法，解决自动识别图像内显著性区域或焦点区域的技术问题。

(二)技术方案

为实现上述目的，本发明提出了一种基于离群数据挖掘的图像显著性区域检测方法，融合视觉特征空间分布信息和二维平面空间分布信息得到一种能够更加均匀地凸显整个显著性区域的检测方法，其方法包括步骤如下：(1)在所述图像的视觉特征空间内进行多尺度的视觉差异性分析，得到所述图像各个像素点在不同尺度下的显著性似然值；(2)将不同尺度下得到的显著性似然值进行融合以得到基于视觉特征空间的图像显著性映射图；(3)在所述图像的二维平面空间中内进行显著性似然值的传播，将所述图像的视觉空间分布信息和二维平面空间分布信息融合起来以得到最终的图像显著性映射图。

优选地，对图像进行多尺度的视觉差异性分析，包括如下步骤：(1a)所述图像中各个像素点的视觉特征信息由其二维平面空间预定邻域内像素点的视觉特征分布信息来表示；(1b)寻找所述图像中各个像素点在当前尺度下的视觉特征空间内的k个距离最短的邻居像素点及相应的距离值，其中参数k为不大于图像像素点总个数的正整数；(1c)计算所述各个像素点的局部分布密度值；(1d)计算所述各个像素点的加权邻域分布密度值；(1e)利用所述局部分布密度值和所述加权邻域分布密度值计算所述各个像素点的显著性似然值。

优选地，在图像二维平面空间内进行图像显著性似然值的传播，包括如下步骤：(3a)寻找所述图像各个像素点在二维平面空间内的k个距离最近的像素点，并计算像素点与其邻居像素点在原始图像的视觉特征空间内的距离值，其中参数k为不大于图像像素点总个数的正整数；(3b)检测所述图像中的有效显著性像素点；(3c)对所述图像中非有效显著性像素点进行显著性似然值的传播计算。

(三)有益效果