[发明专利]一种基于K-means聚类拟合的显著性检测优化方法

权利要求书

1.一种基于K-means聚类拟合的显著性检测优化方法，其特征在于：包括以下步骤：

步骤S1：提取图像的场景GIST特征；

步骤S2：提取图像的颜色直方图特征；

步骤S3：根据场景GIST特征和颜色直方图特征计算图像间的相似性；

步骤S4：根据图像间的相似性对图像集合进行K-means聚类，分成k个相互独立的图像簇；

步骤S5：计算每个图像簇的拟合模型；

步骤S6：判断新的输入图像所属的图像簇，将该图像簇的拟合模型作用在输入图像的显著性图上进行优化；

步骤S5中，计算每个图像簇的拟合模型，包括以下步骤：

步骤S51：统计图像簇C_r中每幅图像I_i的直方图数据：

其中，S_i(p)是I_i对应的显著性图S_i中像素p的显著性值，G_i(p)是I_i对应的标注图G_i中像素p的显著性值；δ{.}是指示函数，当括号里的条件满足时，值为1，否则为0；和是显著性图像S中与标注图像G_i显著对象区域和非显著对象区域对应的区域显著性为v的像素数，其中0＝v＝255；

步骤S52：统计每个图像簇所有图像的直方图数据：

其中，|T_r|表示图像簇C_r中的图像总数；

步骤S53：计算每个图像簇的拟合模型，将进行拟合的点集中的每个点表示成(x_l,y_l)，其中x_l是自变量，表示显著性图像中的像素l的显著性值，x_l∈{0,1,2,...,255}，y_l是因变量，表示x_l对应的标注图像中的像素值，y_l∈{0,255}，则图像簇C_r的拟合点集包括个(v,255)和个(v,0)，图像簇C_r的拟合模型如下：

采用最小二乘法求解拟合模型：

其中，β₁、β₂、β₃、β₄、β₅为待定系数；

步骤S6中，判断新的输入图像所属的图像簇，将该图像簇的拟合模型作用在输入图像的显著性图上进行优化，包括以下步骤：

步骤S61：通过求解以下最优化问题得到输入图像I_e所属的图像簇c_e：

其中，{U_r|r＝1,...,k}是步骤S4计算得到的最终图像簇的中心，F(I_e,U_r)是图像I_e和中心U_r的相似性；

步骤S62：将图像簇c_e的拟合模型f_cr作用在输入图像I_e的显著性图上进行优化：

x_fl＝f_cr(x_l,B₁,B₂,B₃,B₄,B₅)

其中，B₁、B₂、B₃、B₄、B₅表示步骤S5确定的参数值，x_l表示输入图像I_e的显著性图中像素点l的显著性值，x_fl表示拟合后的显著性值；

步骤S63：对拟合后的显著性值进行约束处理；判断拟合后显著性数值的范围，如果部分超出[0,255]范围，先截断处理再归一化处理，截断和归一化处理的公式分别如下：

其中，κ＝0，X是显著性图中所有显著值的集合，x_fl、x_tl、x_nl分别表示拟合后，截断处理后以及归一化后的显著性值，max()和min()函数分别计算括号中数据的最大值和最小值；

否则拟合后显著性数值的范围全部在[0,255]范围内或全部超过[0,255]范围，此时直接进行归一化处理。