[发明专利]一种基于K-means聚类拟合的显著性检测优化方法

说明书

本发明涉及一种基于K‑means聚类拟合的显著性检测优化方法，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。该方法适用于多种显著性检测算法的优化，优化效果明显。

技术领域

本发明涉及图像和视频处理以及计算机视觉技术领域，特别是一种基于K-means聚类拟合的显著性检测优化方法。

背景技术

人们关注图像中的重要部分，并能自动提取这些信息。目前已经有很多提取图像重要信息的显著性检测算法被提出。2013年Scharfenberger等人提出一种基于统计结构差异的显著性检测算法，该算法采用概率图模型和视觉注意力约束来检测显著性对象。2014年Kim等人提出一种基于高维颜色空间转换的显著性检测算法，将低维空间的RGB颜色映射到高维颜色空间的特征矩阵，通过查找颜色系数的最优线性组合来检测显著区域。2016年Tu等人提出一种基于距离转换的显著性检测算法，采用最小生成树估计显著性检测的边缘连接度。

由于同一显著性检测算法采用相同的模型检测显著区域，因此计算得到的显著性图和人工标注的标注图相比呈现相似的缺陷。受到这个工作的启发，我们采用拟合模型对显著性图和人工标注图之间的定量关系进行映射，并将拟合模型作用在新的显著图上进行优化。同时我们观察到用更相似的图像来计算拟合模型，拟合作用后的效果会更好。所以我们结合两种具有代表性的图像描述方法(描述图像场景的GIST和描述图像色彩的颜色直方图)计算图像的相似性，并根据图像的相似性进行K-means方法聚类，将图像集合分成相互独立的k个图像簇，然后判断新的输入图像所属的图像簇，采用该图像簇的图像来计算拟合模型并作用在输入图像的显著性图上进行优化。经过聚类方法作用，可以排除差异大的图像的干扰，算法优化效果更加明显。综上所述，本发明提出一种基于K-means聚类拟合的显著性检测优化方法，该方法适用于多种显著性检测算法的优化，优化效果明显。

发明内容

本发明的目的在于提供一种基于K-means聚类拟合的显著性检测优化方法，该方法适用于多种显著性检测算法的优化，优化效果明显。

为实现上述目的，本发明的技术方案是：一种基于K-means聚类拟合的显著性检测优化方法，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。

进一步地，步骤S1中，提取图像的场景GIST特征，包括以下步骤：

步骤S11：对任意一幅图像，计算每个像素点R、G、B三个颜色通道的平均值得到强度图像，计算公式为：

其中，(x,y)是像素点的空间位置坐标，q(x,y)是像素点(x,y)的强度图像，R(x,y)、G(x,y)、B(x,y)分别是像素点(x,y)的R、G、B三个颜色通道；

步骤S12：对强度图像q(x,y)进行离散傅里叶变换：