[发明专利]一种使用LLC准则定位图像前景的方法

说明书

本发明涉及一种使用LLC准则定位图像前景的方法，从标准测试集中选取大量随机图像，结合其显著区域真值标注图，提取图像前景的先验知识、形成LLC码本，使用LLC准则对待测图像的各个区域是否属于前景进行粗分类，并给出相应的显著性概率值；使用距图像中心的质心距离、局部Lab颜色对比值和全局Lab颜色对比值等基于对比的特征描述图像超像素区域，并用来学习前景\背景的典型特征作为指导图像超像素区域分类的先验知识，从经验角度获取高层知识只需学习一次即可多次指导区域分类，与仅从当前图像提取高层知识的方法相比不仅大大加快了前景定位的速度，而且用来提取的优势查询可使基于流形排序所获得的显著图中前景边界更加清晰、噪声更少。

技术领域

本发明涉及模式识别技术、信息融合技术、信息编码技术和数字图像处理技术领域，具体的说是一种使用LLC准则定位图像前景的方法。

背景技术

模式识别技术是指对表征事物或现象的各种形式的（数值的、文字的和逻辑关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。显著性检测中的模式识别指的是对图像中背景和目标的识别与分类。显著目标是图像中从背景中突出的人或事物，一般包含更多人们感兴趣的、更有用的信息。显著目标检测的主要任务即检测并标定出显著目标所在的区域。由于检测结果可以被直接使用，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。显著目标检测技术中的关键是通过像素、超像素、区域块等检测单位间的局部或全局特征差来确定各个检测单位的显著值，因此，特征提取是计算特征差的基本步骤。由于显著颜色是引起人类视觉注意的最根本特征，人们通常选取颜色计算特征差。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，尤其是在显著目标与背景相融的场景下不能取得较好的表现。当图像场景复杂时，颜色特征可能不足以作为目标与背景的分类依据。这是因为场景的复杂通常表现为以下特性：1、场景中含有多个结构复杂的目标，并可能部分相互重叠；2、目标区域呈不规则形状； 3、目标分布于图像四周；4、目标与背景具有相似的色调，或者二者均具有杂乱的色调。在上述特性中，最后一个特性是难以用颜色特征差将目标从背景中提取出来的，此时纹理特征差将可作为显著目标检测的重要依据。此外，位于图像中心区域的事物往往被最先注意，背景常分布在图像四周的边界区域，这就凸显了区域间的空间关系特征的优势，该特征也可为显著性检测提供了可参考的线索。当颜色差不足以提供显著目标检测的线索时，如何运用图像的多个特征并将它们有效地融合是需要解决的关键问题。另一方面，由于图像场景复杂时机器视觉难以将前景从杂乱的背景中检测出来，造成多种先进算法生成的显著图中存在前景区域附近噪声较多、甚至前景边界模糊的现象，提高了进一步的前景或目标识别的难度。

图像前景的定位技术属于图像显著性检测技术中非常重要的一个环节，在使用先验知识或其他深度信息进行分析后，图像前景被粗略地定位，在此基础上进一步进行细致地检测可使生成的显著图精准度更高，而且检测时间会大大加快。

基于局部性约束的线性编码（Locality-constrained Linear Coding，简称LLC）是一种高效且鲁棒的分类技术，最初主要用于图像分类。由于强调稀疏编码过程中的“特征局部性”，其使用促使图像分类的正确率提高很多。同时，LLC方案还具有快速性的特点，其原理简单，大大缩短了编码所需的时间。

特征向量模型（Feature Vector Model）被广泛使用于图像处理领域。多个特征数据可按照“均一权值”或“差额权值”的方式被融合入一个向量中表示，表示方法简单且易于参与运算。本发明仅涉及“均一权值”的向量模型来融合图像区域的质心、颜色和纹理特征。