[发明专利]一种面向社群图像的显著图融合方法

说明书

本发明提供一种面向社群图像的显著图融合方法，包括输入训练图像，包括以下步骤,对于D中的图像I，应用m种提取方法，提取所述训练图像的显著图，其中D为训练集；计算AUC值；按照步骤1和步骤2的计算方法，获得每幅图像的提取方法的排序表，排序表集合为T；在训练集中进行的近邻搜索；将步骤4中的结果进行合并；融合测试图像的显著图。本发明提出的面向社群图像的显著图融合方法目的针对社群图像的特点提出特定的显著图融合方法，融合的性能较融合前的单个方法性能有很大的提高。

技术领域

本发明涉及计算机视觉的技术领域，特别是一种面向社群图像的显著图融合方法。

背景技术

图像显著性检测旨在找出图像中最重要的部分，是计算机视觉领域用来降低计算复杂度的重要的预处理步骤，在图像压缩、目标识别、图像分割等领域有着广泛的应用。同时它又是计算机视觉中具有挑战性的问题，这些方法各自有自己的优势和不足，即使是同一显著性检测方法，对于不同的图片检测效果也是差异巨大的。为此能够融合多种显著性检测方法的结果，已得到更优显著图的方法就显得尤为重要了。有一些传统的显著图融合方法，他们多是对于多幅显著图进行简单的加和平均或是简单相乘取平均这种显著图融合方式将各种显著图同等对待，把各种显著性检测的权值设为同一数值，这在实际重视不合理的，因为对于一幅图片甚至是每一个像素点，各种显著性检测方法的检测效果都是不同，为此各显著性检测方法的权值也理应设置不同。当前也存在着一些研究融合多幅显著图的方法，如Mai等人利用条件随机场(CRF)来融合多幅显著图，得到了很好的效果，但是其召回率方面效果并不能令人满意。

研究[L.Mai,Y.Niu,and F.Liu.Saliency Aggregation:A Data-DrivenApproach.IEEE Computer Society,CVPR 2013,page 1131-1138.]显示不同提取方法的提取性能是不一样的，即使同一种提取方法对不同图像的提取效果也是不一样的。然而，在没有基准二值标注的情况下，如何判断显著图的提取效果，也就是如何在多个显著图中选择提取效果好的显著图进行融合是一项非常困难的事情，研究非常少。

在没有基准二值标注的情况下，文献[Long M,Liu F.Comparing Salient ObjectDetection Results without Ground Truth[C]//European Conference on ComputerVision.Springer International Publishing,2014:76-91.]进行了多种显著图的融合。此项工作定义了6个评价好显著图的标准：显著区域的覆盖度、显著图的紧密度、显著图直方图、显著区域颜色的可分性、显著图分割质量和边界质量，根据这6条规则对多个显著图进行排序，最后得到融合的显著图。

申请号为CN106570851A的发明专利申请公开了一种基于加权分配DS证据理论的显著图融合方法，解决多种显著性检测方法得到的显著图的有效融合问题。首先，使用要融合的显著性检测方法生成各自的显著图。其次，将得到的各显著图视为证据，根据得到的显著图定义各显著检测方法所对应的识别框架与mass函数。然后，计算各证据见得相似系数与相似矩阵，进而得到各证据的支持度与信任度。接着以可信度为权重对mass函数值进行加权平均，得到一幅显著图。然后使用D-S合成规则将加权平均证据合成得到另一幅显著图。最后，将得到的两幅显著图再次加权求和得到最后的显著图。在该方法中采用了mass函数进行加权平均，但是mass函数在D-S合成规则中应用，可能会因为mass函数冲突度的大小变化影响合成的效果，造成最后的显著图不清晰。