[发明专利]一种基于并行卷积神经网络的图像显著性检测方法

说明书

本发明公开了一种基于并行卷积神经网络的图像显著性检测方法：包括以下步骤：(1)设计并行卷积神经网络结构；(2)设计两种网络输入图，并针对输入定义基于超像素的标签；(3)数据集平衡化处理与输入预处理；(4)模型训练：所述模型包括数据预处理模块和并行卷积神经网络结构；(5)对目标图像使用已训练好的模型计算显著图。本发明能有效检测显著主体的内在语义以及与背景的差异，从全局和局部角去检测显著性，实现自动对图像进行显著性检测。

技术领域

本发明涉及图像的检测方法，特别涉及一种基于并行卷积神经网络的图像显著性检测方法。

背景技术

图像显著性检测的目的在于识别一幅图像在视觉上最突出的区域，是计算机视觉及图像处理领域中一门非常重要的课题。显著性检测作为一种预处理手段在计算机视觉及图像处理方面有着广泛的应用，如多媒体信息传输，图像视频重构，图像视频质量评估等。同时，显著性检测在高层次视觉任务中也被大量应用，如物体检测，身份识别。作为一门非常成熟的课题，大量显著性检测模型被学者们提出。

传统显著性检测模型分为基于手工特征的方法和基于先验知识的方法。基于手工特征的方法致力于设计各类手工特征如颜色、亮度、纹理，当图像具有较为复杂的语义时，这类方法无法有效的检测出显著性主体，如当主体与背景的颜色、亮度差异较小时，基于手工特征的方法无法有效的将显著主体从背景中区分出来。基于先验知识的方法对显著性主体的公有特性进行定义，如基于背景先验的方法假定靠近图像的边缘区域为背景，但有些图像的显著主体处于图像边缘，这使得基于先验知识的方法具有局限性。

发明内容

为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于并行卷积神经网络的图像显著性检测方法，有效检测显著主体的内在语义以及与背景的差异，从全局和局部角度去检测显著性，实现自动对图像进行显著性检测。

本发明的目的通过以下技术方案实现：

一种基于并行卷积神经网络的图像显著性检测方法，包括以下步骤：

(1)设计并行卷积神经网络结构；所述并行卷积神经网络结构包括全局角度检测模块CNN-G和局部角度检测模块CNN-L；

所述全局角度检测模块CNN-G为单路卷积神经网络；所述局部角度检测模块CNN-L为双路并行卷积神经网络；所述全局角度检测模块CNN-G和局部角度检测模块CNN-L通过一个全连接层实现并行；

(2)设计两种网络输入图，并针对输入定义基于超像素的标签；所述网络输入图包括全局填充图和局部裁剪图；

所述全局填充图以超像素为中心、包含原图全部信息的填充图，代表全局特征，作为全局角度检测模块CNN-G的输入；

所述局部裁剪图以超像素为中心、包含超像素邻域细节信息的裁剪图，代表局部特征，作为局部角度检测模块CNN-L的输入；

(3)数据集平衡化处理与输入预处理；

(4)模型训练：所述模型包括数据预处理模块和并行卷积神经网络结构；

(5)对目标图像使用已训练好的模型计算显著图。

步骤(2)所述针对输入定义基于超像素的标签，具体为：

超像素标签由超像素与显著图真实标注的重叠率决定，若大于设定的阈值则标签为1，视为显著；反之，若重叠率小于设定的阈值则标签为0，视为非显著。

步骤(3)所述数据集平衡化处理，具体为：

对一张图像所取得的正样本全部采用，并随机选取与正样本数量一致的负样本；将所有样本的规格归一化到256*256大小。