[发明专利]基于多尺度分割的显著性检测方法

说明书

基于多尺度分割的显著性目标检测方法，步骤1：利用双边滤波参数对输入图像进行平滑图像处理，再进行不同分割尺度的超像素分割；根据分割得到的超像素，计算全局平滑度；将全局平滑度与双边滤波参数结合，构建以分割效果为目标的自适应算法函数，求解不同尺度下的双边滤波参数，得到最优的平滑图像中的超像素点；步骤2：利用目标似然图技术来获得初始前景种子，并使用图像的边界作为初始背景种子，通过交叉验证法，从初始前景种子和初始背景种子中选择背景种子和前景种子，并生成基于背景的RBB显著图和基于前景的RFB显著图；步骤3：计算超像素点的尺度权重，背景种子和前景种子的种子权重；合并得到的RBB显著图和RFB显著图，最终获得显著图。

技术领域

本发明涉及图像数据处理领域，尤其涉及一种基于多尺度分割的显著性检测方法。

背景技术

近些年来,显著性检测一直是计算机视觉和图像处理领域的热门话题。目前计算机视觉领域的许多研究中都已经将显著性检测作为其预处理步骤,如图像压缩,图像分割,目标定位,图像分类等。

通常,将显著性检测方法按照信息处理的方式进行划分,可以大致分为两类,一类是自上而下的方法,一类是自下而上的方法。自上而下的方法，需要先知道所检测目标的基本属性,并且进行监督训练,因此大多数自上而下的方法可以取得较高的准确率,但这类方法往往会忽略显著性目标的细节信息。相反,自下而上的方法往往是从底层的视觉信息出发,即利用来自背景的先验线索，或仅使用来自前景的先验线索。同时，还有考虑全局先验信息的论文，即同时利用来自背景和前景的先验信息。利用全局先验的线索已被证明更有效。因而该类方法可以很好地适应不同背景的图像,也能够检测出原始图像的细节信息。

在显著性检测领域，大多数以前的文献主要在采用分割时都只使用单一尺度分割。也就是说，当它分割输入图像时，它们仅采用超像素数量的单个尺度。大多数基于单尺度分割的显著性检测算法对于尺度的大小是敏感的，图像中的目标的大小可能不一样，单次分割不能很好地适应所有图像。进而使得该类方法的显著性检测结果不准确。在考虑全局先验线索时，很少关注多尺度分割。

然而要将多尺度分割方法应用到显著性检测中，并对检测结果起到显著的进步性作用，通过现有技术表明困难有(1)现有的基于多尺度分割的算法无法灵活选择尺度，或者不能很好地处理纹理和噪声信息。(2)选择适当的背景和前景种子，以分别生成基于(粗糙)背景(RBB)和基于前景(RFB)的显著性映射是非常重要的。现有算法不能很好地处理复杂的图像，或者不能容易地控制一些阈值参数。(3)为了合并RBB和RFB显著性图，一个容易想到的方法是计算所有粗略显著结果的平均值。然而，这种方法可能产生相当差的结果，因为它忽略了不同的分割尺度可能具有不同的效果。

发明内容

本发明要解决的技术问题是：设计一种能够实现对应不同图像可以进行灵活选择分割尺度，从而能处理复杂图像，将图像的显著性目标提取出来的基于多尺度分割的显著性目标检测方法。

为了解决上述技术问题，本发明设计的基于多尺度分割的显著性目标检测方法，包括：

步骤1：利用双边滤波参数对输入图像进行双边滤波平滑处理得到平滑图像，并对平滑图像进行不同分割尺度的超像素分割；根据分割得到的所有超像素，计算得到全局平滑度；所述的全局平滑度用S表示，令|T|表示多分割尺度的整数集合，在每个尺度t_i∈T下分割图像时的超像素数的数量为k，c_i,j(＝{l,a,b})是超级像素的像素特征，以CIELab颜色空间为基础，所有c_i,j的特征向量在相应的超级像素中：对于在不同尺度序号i分割图像中的第j个超级像素，测量其中的局部平滑度该超像素区域通过计算所有k个超级像素色差的和，即对于图像中的所有超级像素，全局平滑度由S表示：再利用自适应算法函数：使用常数实数δ，将两个分量S和σ_r保持在相同的数量级，求解得到尺度为t_i的双边滤波参数σ_r的适当值；