[发明专利]显著图像的提取处理方法及系统

说明书

本发明公开了显著图像的提取处理方法及系统，包括，通过RGB通道对当前图像的特征进行分析，获取当前图像的RGB显著特征；通过Depth通道对当前图像的特征进行分析，获取当前图像的Depth显著特征；RGB显著特征和Depth显著特征满足条件独立分布，并且假设均服从高斯分布；基于贝叶斯框架进行显著特征融合估计显著性后验概率得到图像显著性区域。从而本发明的有益效果在于：采用深层卷积神经网络提取RGB图像和Depth图像高层显著性特征，分析显著性特征的相关性，在贝叶斯框架下进行融合，采用DMNB生成模型建模3D显著性检测，得到较好的准确率、召回率和F度量。

技术领域

本发明涉及图像分析技术领域，尤其涉及显著图像的提取处理方法及系统。

背景技术

显著性检测是计算机视觉中的一项重要研究内容，是指模拟人类视觉注意机制实现准确、快速地识别图像中最感兴趣区域的过程。基于视觉注意机制的RGB图像显著性检测模型采用低层特征对比计算得到显著性，其中包括全局特征对比计算模型，局部特征对比计算模型以及结合全局特征和局部特征对比计算模型。

RGB-D图像显著性检测因为相比RGB图像的显著性检测增加了Depth 图像，所以3D显著性计算模型中必须考虑Depth图像对显著性计算的影响。因此，在RGB-D图像显著性检测过程中存在两个重要的挑战，即如何计算由Depth图像产生的显著性以及如何融合RGB图像产生的显著性得到最终的3D显著性。

现有技术中，RGB-D图像显著性检测模型在融合显著特征时没有考虑 RGB图像显著特征和Depth图像显著特征分布关系，而直接将Depth显著特征与RGB显著特征进行线性融合。3D显著性检测模型不同于传统2D显著性检测模型的地方是增加评估深度特征对显著性检测的影响，所以如何融合Depth图像的深度特征与RGB图像的颜色等特征得到3D显著性是研究重点。

发明内容

针对上述现有技术中的问题，本发明解决了显著特征线性融合的处理准确率的问题。

本发明提供了显著图像的提取处理方法，包括：

步骤S101，通过RGB通道对当前图像的特征进行分析，获取当前图像的RGB显著特征；

步骤S102，通过Depth通道对当前图像的特征进行分析，获取当前图像的Depth显著特征；

步骤S103，假设获取所述RGB显著特征与所述Depth显著特征服从高斯分布；

步骤S104，RGB显著特征与Depth显著特征满足条件独立分布，采用贝叶斯框架进行融合，估计图像显著性后验概率得到显著性区域；

步骤S105，根据所述显著性区域对图形进行处理。

在一种优选的实施方式中，所述步骤S101包括：

通过深层卷积神经网络方法对RGB通道对当前图像的特征进行分析，获取当前图像的RGB显著特征。

在一种优选的实施方式中，所述步骤S102包括：

通过深层卷积神经网络方法对Depth通道对当前图像的特征进行分析，获取当前图像的Depth显著特征。

在一种优选的实施方式中，所述步骤S103中包括：

通过贝叶斯框架融合所述RGB显著特征与所述Depth显著特征的概率分布。

在一种优选的实施方式中，所述步骤S101前包括：

步骤S100，基于3D图像Kinect传感器进行RGB-D图像采集。

同时，本发明还提供了显著图像的提取处理系统，包括：RGB显著性区域获取单元、Depth显著性区域获取单元、基于贝叶斯框架融合单元，显著性区域获取单元及图形处理单元；其中，