[发明专利]基于凸包结构中心查询点排序的显著目标检测方法

权利要求书

1.一种基于凸包结构中心查询点排序的显著目标检测方法，其特征在于，包括以下步骤：

1)获取图像，构造目标区域的凸包结构，并求出凸包中心O；

2)对图像进行超像素分割，以超像素作为节点，构建闭环图模型G，重新定义图模型的关联矩阵P′，并计算最优相似度矩阵A；

2.1)将图形分割成N个大小一致且视觉效果均匀的超像素区域；

2.2)以超像素作为节点v构成节点集V，以相邻超像素之间共享的边作为超像素间的关联构成边集E；处于图像边界的超像素两两相连，并通过四条图像边界，构建闭环图模型G(V，E)；

2.3)计算闭环图模型G(V，E)的考虑非相邻像素点影响的关联矩阵P′：

2.3.1)构建一个N*N的关联矩阵P，定义每个对应元素如下：

2.3.2)求出各超像素的空间距离矩阵，并归一化；定义当距离小于设定阈值时为1，否则为0，从而得到N*N的距离矩阵；

2.3.3)将关联矩阵P与距离矩阵求并集，得到闭环图模型G(V，E)的考虑非相邻像素点影响的关联矩阵P′，P′为仅包含0、1元素的N阶方阵；

2.4)根据超像素的空间距离和颜色距离以及关联矩阵P′，计算度矩阵D和相似度矩阵W：

D＝diag{d₁₁,d₂₂,…d_nn}

W＝[w_i,j]_n×n

其中，p′_i,j为关联矩阵中对应(i，j)点的值，k为权重系数，i和j是节点的下标，D(v_i,v_j)是v_i和v_j之间的空间距离，c是节点v所包含像素在CIELAB空间的颜色均值，||c_i-c_j||是c_i和c_j之间的欧式距离，σ₁是用于控制空间距离加权的强度，σ₂是用于控制颜色距离加权的强度；

2.5)计算最优相似度矩阵A＝(D-αW)^-1，其中α为调节参数，α∈[0,1)；

3)以凸包中心O所在超像素及其邻接超像素为标签过的查询点，构建标签向量y1，进行流形排序得到前景显著图S1＝A×y1；

4)以距离凸包中心O最近的两条边构建标签向量y2和y3，流形排序得到显著图S2＝1－A×y2和显著图S3＝1－A×y3，再将两个显著图S2和S3以相乘的方式得到背景显著图S4＝S2×S3；

5)将前景显著图S1和背景显著图S4二值化处理，分别得到前景种子q1和背景种子q2；对前景种子q1和背景种子q2进行交集处理后，得到种子节点集合，进行流形排序得到最终显著图S。

2.根据权利要求1所述的基于凸包结构中心查询点排序的显著目标检测方法，其特征在于，步骤1)的实现方式是：

1.1)获取图像；

1.2)利用颜色增强Harris角点检测算法检测出图像中的角点，所述角点包括显著区域的轮廓点；

1.3)消除靠近图像边界的兴趣点，求出剩余的兴趣点的凸包结构；

1.4)计算凸包中心O。

3.根据权利要求2所述的基于凸包结构中心查询点排序的显著目标检测方法，其特征在于，步骤1.2)的实现方式是：

1.2.1)利用水平和竖直两差分算子对图像的像素点进行滤波得到水平梯度I_x和竖直梯度I_y，进而得到梯度乘积m：

1.2.2)对梯度乘积m的每个元素进行高斯滤波，得到Harris矩阵M：

其中，x和y分别为图像像素点的横、纵坐标，w(x,y)为高斯窗函数滤波器；

1.2.3)计算对应于每一个像素点的角点响应函数R：

R＝detM-δ(traceM)²

其中，δ为调节参数，δ的取值范围是0-0.1；

1.2.4)筛选所有角点响应函数R大于阈值的像素点，作为角点或者显著区域的轮廓点。