[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

说明书

本发明属于计算机图像识别领域，具体涉及一种基于凸包结构中心查询点排序的显著目标检测方法，包括步骤：1)构造目标区域的凸包结构，求出凸包中心；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并计算最优相似度矩阵；3)以凸包中心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，进行流形排序得到前景显著图；4)以距离凸包中心最近的两条边构建标签向量，流形排序得到背景显著图；5)将前景显著图和背景显著图二值化，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。本发明实现的是一种自底向上的显著目标检测方法，采用凸包结构进行中心先验，能够准确地找出显著目标的位置，获得准确的前景特征。

技术领域

本发明属于计算机图像识别领域，具体涉及一种基于凸包结构中心查询点排序的显著目标检测方法。

背景技术

人类在接收和感知外部世界的时候，80％的信息都是通过视觉注意。因而人类具有非常强的图像数据处理的能力，而且能够快速的在复杂的视觉场景中分辨并筛选出显著的区域。而在计算机视觉领域，随着多媒体和互联网的飞速发展和图片的井喷式增长，图像的处理至关重要。显著目标检测就是图像分析和处理前期的一个重要工作，模拟人对于显著目标的快速获取能力，对目标区域的快速检测可以将计算资源优先分配给显著区域，减少了非显著区域对资源的浪费，能够显著的提高计算机的处理和分析能力。准确的检测出图像的显著图是近几年不断深入讨论的一个课题，并且应用在很多方向，包括目标识别、图像压缩、分割、匹配、自适应编码、图像视频摘要等。

现有的图像显著性检测算法按照实现方式，可分为两大类：自底向上的目的驱动模型和自顶向下的任务驱动模型。自顶向下的模型是从高级语义入手，通过任务驱动，如对特定目标进行检测。而自底向上模型是从底层入手，对图像的颜色，边缘，纹理等信息进行处理。

常用的显著目标检测算法主要有基于局部对比和基于全局对比两种。

局部对比方法将某区域与邻域内其他区域进行比较，如多尺度测量方式，中心-周围算子等。Ma和Zhang提出了基于LUV颜色空间计算感知单元的邻域对比，通过模糊增长的方式提取显著区域^[1]。Liu等利用高斯金字塔的线性融合，计算多尺度局部对比度特征来得到显著区域^[2]。Borji利用字典学习的方法从自然图片中学习图像的稀疏编码，利用稀疏编码分析图像的局部对比度^[3]。基于局部对比度的方法过于注重图像的细节，无法均匀的凸显整个显著区域，而且存在噪声误检。

全局对比方法是将某区域与整个图像范围内的其他区域均进行比较。Cheng提出了一种基于直方图对比度的计算方式(RC)^[4]，该方法首先将图进行过分割为小的区域，以全局范围的颜色距离和空间距离加权衡量每个区域的显著性，特殊颜色空间分布用来描述显著区域。Yang提出了一种基于图模型的显著目标检测方法(MR算法)^[5]，将流形排序^[6]引入到显著性检测中。以上全局对比方法虽然具有不错的效果和一定的代表性，但由于过分依赖边界背景，导致对于目标严重偏离中心区域的图像或背景复杂的图像，无法准确地检测出显著区域。

现有技术文件信息如下：

[1]Y.F.Ma,H.J.Zhang.Contrast-Based Image Attention Analysis by UsingFuzzy Growing[C].Proceedings of the Eleventh ACM International Conference onMultimedia,Berkeley,CA,USA,2003,374-381

[2]T.Liu,J.Sun,N.N.Zheng.Learning to detect a salient object[C].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition,Minneapolis,Minnesota,USA,2007,1-8