[发明专利]一种基于图像背景和空间位置的显著区域检测方法

说明书

本发明提供一种基于图像背景和空间位置的显著区域检测方法，方法主要包括如下步骤：对目标图像进行M种尺度的超像素分层分割，得到M层目标子图像；超像素块特征向量提取，提取超像素块的颜色特征和纹理特征；背景超像素块聚类；利用空间位置和与背景超像素差异对每个超像素块进行显著性计算；多尺度超像素块显著性融合。优点为：本发明所述方法能够准确判断图像的显著区域，能有效提高检测的准确率和计算效率，为应用到互联网、云计算的海量图像或视频数据的筛选和分析提供技术支持。

技术领域

本发明属于图像显著性区域检测技术领域，具体涉及一种基于图像背景和空间位置的显著区域检测方法。

背景技术

从推动高级智能机器人研发的角度来说，显著区域检测能够使智能机器人从同一时间接收到的大量视频数据中，筛选出与当前任务最相关的部分进行处理。这可以有效模拟人类视觉感知的指向性和集中性，为完成智能任务奠定基础。从促进视觉领域智能应用的角度来说，将显著区域检测方法应用到互联网、云计算的海量图像或视频数据的筛选和分析中，能有效提高检测的准确率和计算效率；应用到侦察机、视频监控领域，可为目标识别、热点追踪等算法提供前期重点区域标记，提高相关算法的计算效率；应用到图像或视频传输领域，可对图像或视频上的重点区域有针对性的进行压缩，提高图像或视频传输的效率。此外，显著区域检测方法还可广泛应用于路径导航、无人机等其它领域。

近年来，众多学者提出了许多用于在图像中检测显著性区域或目标的方法。为提高计算效率并忽略图像中一些不必要的细节，这些方法大多首先提取图像的感知同质元素，如超级像素、区域(当然也有直接使用像素的方法)，然后计算它们的局部对比性、全局对比性或稀疏噪声以获得每个感知同质元素的显著性值，最后进行整合来分割整个显著目标。从近年来的研究趋势来看，相对于局部对比性，全局线索由于其可在相似图像区域上分配有对比性的显著值而更受关注。

名称为“一种视频显著性区域检测方法及系统”、公开号为CN 104424642 A的专利公开一种视频显著性区域检测方法及系统，通过分别获得像素级的静态显著性特征、局部区域级的静态显著性特征、局部区域级的动态显著性特征、全局级的静态显著性特征和全局级的动态显著性特征，利用视频帧之间的相关性对该视频显著性特征进行调制，基于调制后的视频显著性特征，采用3D-MRF设置视频帧的视频显著性区域，然后利用Graph-cuts选择最优的视频显著性区域，对视频显著性区域进行分割。该方法应用显著区域检测的互补性先验来提高算法的性能，但是当图像的边界区域不能良好描述背景时，如边框区域特征差异较大时，把整个边框放在一起计算背景特征，这种方法对背景特征的计算不准确。

名称为“一种显著性区域的检测方法”的专利公开了一种显著性区域的检测方法，其将参与差异性对比计算的基本元素定义为区域，使之与最终的检测结果在同一量级，从而提高了显著性区域检测的效率。但是该发明只是应用了颜色空间转换和图分割等局部对比度，当图像目标不明显时，效果不好。

名称为“一种深度学习的图像显著性区域检测方法”的专利公开了一种深度学习的图像显著性区域检测方法，通过将深度学习下不同网络层的结果进行结合，得到图像在不同尺度下的特征，从而得到更好的检测性能；同时利用图像分割进行超像素阈值学习。但是该发明提出的方法受其训练集的图像类别(复杂背景或简单背景，包含单一目标或多个目标)和数量影响，这种方法容易出现过度适用风险，当图像类别发生变化时可能会表现不好。

由此可见，上述各类图像显著性区域检测方法，均具有一定的使用局限性，从而导致检测的准确率不高，检测的算法过于复杂。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于图像背景和空间位置的显著区域检测方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种基于图像背景和空间位置的显著区域检测方法，包括以下步骤：