[发明专利]一种基于直方图幂函数拟合的显著目标检测方法

说明书

技术领域

本发明涉及图像显著目标检测领域，具体地说是一种基于直方图幂函数拟合的显著目标检测方法。

背景技术

众所周知，计算机性能和功能的飞速发展为机器智能提供了可靠的可行条件，随着机器学习、模式识别等学科的深入，人们越来越希望计算机可以更加自主更加智能的完成任务。要实现这个目标，需要计算机能够理解周围的环境。人类感知外界信息最主要方式是通过视觉，所以计算机理解周围环境的关键是具有视觉感知处理能力。

显著目标是图像中人们最为关注的目标，一般包含更多人们感兴趣的、更有用的信息。因此，显著目标检测广泛应用于目标识别、图像分割、图像检索等领域。常用的显著目标检测技术主要有基于局部对比的显著区域检测技术，如：基于局部对比和模糊生长技术、多尺度中心-周围直方图和颜色空间分布对比技术等；以及基于全局对比的显著区域检测技术，如：Achanta 从频率域角度出发，提出一种基于全局对比的显著区域检测的方法（Frequency-tuned salient region detection，简称FT方法），该方法将经过高斯低通滤波图像中的每个像素值和整幅图像的平均像素值之间的欧几里得距离作为该点的显著值。但在以下两种情况下会失效：

（1）显著区域的颜色占图像中的大部分，通过该方法计算后，背景会具有更高的显著值；

（2）背景中含有少量突出的颜色，这样背景中的这部分颜色的显著值也会非常高。

相关文献：ACHANTA R， HEMAMI S， ESTRADA F， et al. Frequency-tuned salient region detection[C] // IEEE Conference on Computer Vision and Pattern Recognition， 2009：1597–1604.

此外，目前许多显著目标检测模型虽然在单显著目标和简单背景场景下的性能已接近测试集的标准，但在多目标和复杂背景下，尤其是在目标相融的背景下不能取得较好的表现。

图流形排序（Graph Based Manifold Ranking）是近期出现的一种聚类方法，通过计算图的邻接矩阵和度矩阵得到Laplacian正则化或非正则化矩阵，不同的变体可应用在不同的环境下。Chuan Yang等人将图流形排序应用于显著目标检测，将图像进行SLIC分割，分割后的超像素作为图结点，以图像边缘结点作为相关性查询的种子以检测背景，再求反差得到显著区域。这种方法在单目标和简单背景下的检测效果比较好，但是，当显著目标位于图像边缘、多目标场景、背景复杂或前景与背景相融的情况下，检测效果不够理想。

相关文献：Chuan Yang, Lihe Zhang, Huchuan Lu, Minghsuan Yang, Saliency Detection via Graph-Based Manifold Ranking, CVPR2013，P3166-3173。

发明内容

本发明所要解决的技术问题是提供一种基于直方图幂函数拟合的显著目标检测方法，通过计算FT算法获得的显著图的直方图数据找到一个灰度阈值，该阈值能够提取属于显著目标区域的超像素，并将这些超像素作为图流形排序的查询种子，再通过自适应二值化法提取所有可能存在显著像素的超像素，作为查询种子的补充，实现接近测试集标准的显著图，从而实现对位于图像边缘、多目标场景、背景复杂或前景与背景相融等较难检测的显著目标的检测。

本发明为解决上述技术问题所采用的技术方案是：一种基于直方图幂函数拟合的显著目标检测方法，其特征在于：所述的目标检测方法包括以下步骤：

步骤一：直方图幂函数拟合：将原图像用FT算法生成FT显著图并计算得到该显著图的灰度直方图数据，根据灰度直方图数据用最小二乘法拟合幂函数曲线方程求得FT显著图中用于超像素分类的灰度阈值x₀；

步骤二：超像素分类：将原图像用SLIC算法分割成n个超像素，根据步骤一得到的灰度阈值将超像素分为显著超像素和背景超像素；

步骤三：显著区域定位：找出存在显著像素的超像素；

步骤四：显著目标检测：用图流形排序法计算超像素相关度矩阵和每个超像素的相关性排序值，并通过将每个超像素的相关性排序值归一化得到每个超像素的显著度，将每个超像素的显著度赋值给其包含的所有像素生成最终的显著图。