[发明专利]一种基于条件随机场的显著性检测优化方法

说明书

本发明涉及一种基于条件随机场的显著性检测优化方法，其特征在于，包括以下步骤：步骤S1：提取输入图像集合中各图像的全局深度卷积特征；步骤S2：根据全局深度卷积特征计算输入图像集合中两两图像之间的相似性；步骤S3：根据图像之间的相似性对输入图像集合进行K‑means聚类，形成k个相互独立的图像簇；步骤S4：采用网格搜索方法计算每个图像簇的全连接条件随机场最优参数；步骤S5：对于新的输入图像，判断其所属的图像簇，采用所属图像簇的全连接条件随机场最优参数对所述新的输入图像的显著性图进行优化。该方法适用于多种显著性检测算法的优化，且优化效果好。

技术领域

本发明涉及图像和视频处理以及计算机视觉领域，特别是一种基于条件随机场的显著性检测优化方法。

背景技术

图像显著性检测算法提取图像中最吸引人注意的地方，这部分信息在实际应用中的重要性较其它区域相比更大。显著性检测算法被广泛应用于包括图像分割、图像分类、图像检索等实际应用中。因此，大量学者研究图像显著性检测算法并不断提出最新的算法。Margolin等人提出一种基于主成分分析法(Principal Component Analysis，PCA)的显著性检测算法，该算法计算模式差异性来检测显著性图。Wei等人提出一种基于测地线(Geodesic saliency，GS)的显著性检测算法，该算法关注图像的背景先验信息。Kim等人提出一种基于高维颜色转换(High-dimensional Color Transform，HDCT)的显著性检测算法，将低维的RGB颜色图映射到高维的颜色特征空间，并在高维空间查找一个最优的颜色系数线性组合来定义显著性区域。但现有的图像显著性检测算法与人工标注的标准图像相比都有一定的缺陷，比如PCA算法注重于提取显著对象的边缘，几乎无法检测出显著对象的中间部分。GS算法只能提取到显著对象的部分区域，HDCT算法将一部分的背景也检测为显著性对象。

发明内容

本发明的目的在于提供一种基于条件随机场的显著性检测优化方法，该方法适用于多种显著性检测算法的优化，且优化效果好。

为实现上述目的，本发明采用的技术方案是：一种基于条件随机场的显著性检测优化方法，包括以下步骤：

步骤S1：提取输入图像集合中各图像的全局深度卷积特征；

步骤S2：根据全局深度卷积特征计算输入图像集合中两两图像之间的相似性；

步骤S3：根据图像之间的相似性对输入图像集合进行K-means聚类，形成k个相互独立的图像簇；

步骤S4：采用网格搜索方法计算每个图像簇的全连接条件随机场最优参数；

步骤S5：对于新的输入图像，判断其所属的图像簇，采用所属图像簇的全连接条件随机场最优参数对所述新的输入图像的显著性图进行优化。

进一步地，所述步骤S1中，提取图像的全局深度卷积特征，包括以下步骤：

步骤S11：提取图像的局部深度卷积特征，该特征由图像识别深度网络的最后一层卷积层产生，对于输入的图像I，输出d维t×t的局部深度卷积特征f；

步骤S12：计算局部深度卷积特征的聚合权重，计算公式如下：

其中，α(x,y)表示图像I中像素点(x,y)的聚合权重，σ取图像中心与最近边界之间距离的1/3；

步骤S13：加权聚合局部深度卷积特征，得到初步全局特征，计算公式如下：

其中，表示图像I聚合后的初步全局特征，维数是d，W和H分别表示图像的宽度和高度，f(x,y)表示图像I中像素点(x,y)的局部深度卷积特征；

步骤S14：对进行L2规范化处理，计算公式如下：