[发明专利]基于超像素聚类的协同显著性检测方法

权利要求书

1.一种基于超像素聚类的协同显著性检测方法，其特征在于，包括以下步骤：

(1) 构建超像素金字塔图像：

(1a)输入原始图像组数据，构建三层的高斯金字塔，其中，第一层图像由原始图像进行高斯平滑得到，第二层图像由第一层图像降采样后进行高斯平滑得到，第三层图像由第二层图像降采样后进行高斯平滑得到；

(1b)利用基于内容感知的超像素分割方法对每层图像进行超像素分割，对长宽分别为width和height像素的图像，根据图像的大小动态设定超像素块的数目，超像素块数，得到超像素的金字塔图像；

(2) 计算单一显著图：

(2a) 计算弱显著图

将超像素分割得到的N个超像素块表示为：，将处于边缘区域的超像素假设为背景，表示为：，其中是位于该图像边缘区域的超像素个数，然后分别计算每个超像素块的特征：暗通道值、中心先验权重和颜色特征；

暗通道计算公式如下：

（1）

其中表示超像素块覆盖的像素个数，是暗通道值的计算函数，如下所示：

（2）

其中表示q在对应通道内的颜色值；

弱显著性检测模型通过如下公式实现：

（3）

其中表示超像素块与在k所对应的特征之间的欧氏距离，三种特征分别是：F₁是RGB特征，F₂是CIELab特征，F₃是LBP特征，为中心先验权重，通过超像素块的中心与图像中心的归一化空间距离计算得到；

由公式（3）得到每个区域的显著值，将每个区域的显著值赋给该区域内的所有像素，得到弱显著图；

(2b) 训练强显著性检测模型

将多个单核单特征的支持向量机分类器作为弱分类器，采用Adaboost增强学习方法通过多次迭代学习得到一个强分类器；

多个单核单特征的支持向量机核函数的线性加和表示为：

(4)

其中，r表示训练样本，为第i个样本，训练集样本集由上一步的弱显著图得到，表示对应核函数的权重，M表示弱分类器的数量，经过多次迭代得到一个强分类器，应用于当前图像的所有测试样本，最后预测得到单一显著图；

(3) 超像素块聚类

选用RGB、CIELab和Gabor特征作为聚类特征，对组内的所有图像的所有超像素块进行聚类，聚类方法为K-Means聚类方法；

(4) 计算协同显著性

M张图像经过聚类后得到K个类，记为，聚类中心记为，通过计算对比度测度、重复率测度以及位置测度来描述协同显著性，根据3个测度的乘积得到弱协同显著图；

(5) 融合：

进行多尺度融合；将弱显著图与弱协同显著图相乘，获得融合后的显著图。

2.根据权利要求1所述的基于超像素聚类的协同显著性检测方法，其特征在于：步骤(1a)中，所述降采样时，将图像的x和y方向像素分别调整为原尺寸的一半。

3.根据权利要求1所述的基于超像素聚类的协同显著性检测方法，其特征在于：步骤(3)中，聚类数。

4.根据权利要求1所述的基于超像素聚类的协同显著性检测方法，其特征在于：步骤(3)中，Gabor特征的获取方法是：先获取8个方向的Gabor特征，bandwidth为1，然后组合这8个方向特征作为使用的Gabor特征，组合方法为线性相加组合。