[发明专利]一种结合边界连通性与局部对比性的显著性检测方法

说明书

本发明属于图像处理领域，涉及一种结合边界连通性与局部对比性的显著性检测方法，解决图像显著性检测问题。首先使用SLIC算法进行超像素的划分，通过Harris角点检测，利用局部对比性的特征，获取包围前景区域的凸包。然后利用聚类算法去除凸包中的背景区域，将获得的前景区域作为随机游走模型的吸收节点，并进行聚类内传播优化获取各超像素的前景概率。同时利用各区域边界连通性的特征，计算各超像素的背景概率。最后结合各超像素前景概率、背景概率得到一幅显著图，通过抑制背景超像素显著值得到最终显著图。该方法能够识别出图像中的最显著部分，得到更接近于真值图的显著图。

技术领域

本发明属于图像处理领域，涉及一种结合边界连通性与局部对比性的显著性检测方法。

背景技术

图像显著性检测的目的是查找图像中最显著的部分，显著部分表示的是图像中的哪些区域能够引起人们的重视以及重视的程度，高效快速的找到显著部分能大大提高图像处理的效率。显著性检测算法可以分成两大类：自顶向下方法和自底向上方法。自顶向下通常是针对特定的任务，使用有监督的方式学习目标的各种特征，使用学到的特征信息完成图像中显著性目标的识别，这类方法的缺点是只能完成特定的目标且必须通过训练，扩展性较差。自底向上的方法直接通过像素等信息来进行计算，不需要进行学习，通过计算图像中不同部分之间的差异来查找显著部分。

Harris角点检测是一种常用的兴趣点检测方法，作为提取特征的主要手段广泛的应用于目标跟踪，图像匹配中。角点提供了场景中人们感兴趣目标的有用的空间信息，Xie等人使用角点检测获得凸包，并依据划分的区域与凸包的交集程度来计算超像素的显著性，但这就存在一个问题，即凸包中的区域有些并不属于显著区域，将凸包内所有区域都当作显著区域是不合适的。另外，凸包包围的区域也存在不能完全包围显著区域的问题。

随机游走模型，是指数学中具有马尔可夫性质的离散事件随机过程。该过程中，在给定当前知识或信息的情况下，过去的状态对于预测将来的状态是无关的。随机游走模型通常用来建模排队理论和统计学中的建模，还可作为信号模型用于熵编码技术。近年来也有人将随机游走模型用于图像的显著性检测中，如Sun等人将图像左边界和上边界超像素作为随机游走模型中的吸收节点计算各超像素初始显著值，这种做法实际上是在利用边界先验性，但当显著对象出现在图像边缘时效果就不令人满意了。

本发明综合利用已存在技术的优点，解决上述技术的不足，使用Harris角点检测检测出目标区域周围的角点，即利用局部对比性构造大致包围显著区域的凸包，对凸包内超像素进行聚类，去除掉其中更可能是背景的区域，与Sun等人不同，我们以凸包中的前景区域作为吸收节点，利用随机游走模型计算各超像素的显著值，然后融合更新后的超像素前景概率和利用边界连通性得到的各超像素的背景概率得到一幅显著图，通过与其他方法比较可以发现我们的方法优于大部分现有最好的显著性检测的方法。

发明内容

本发明提出了一种结合边界连通性与局部对比性的显著性检测方法，目的在于解决上述现有技术中的不足，综合利用图像中的局部变化特征与边界连通性的特点，提出一种新的高效的图像显著性检测方法。

为了实现上述目的，本发明的技术方案为：

一种结合边界连通性与局部对比性的显著性检测方法，包括以下步骤：

第一步，使用SLIC(简单线性迭代聚类)方法将整幅图像划分为300个超像素，并计算每个超像素的平均CIELab颜色特征值；同时，利用Harris角点检测得到图像中的角点，考虑到显著对象大部分区域是不贴近边界的，移除非常靠近边界的部分角点，然后利用这些剩余的角点来构造一个大致包围显著对象的凸包。

第二步，构造凸包内精准前景区域。

2.1)使用K-means聚类算法，依据凸包内各超像素的L、A、B特征值将凸包内的超像素分为K(K2)类。