[发明专利]一种基于相关约束图排序的图像显著性检测方法及装置有效
申请号: | 201810658629.3 | 申请日: | 2018-06-25 |
公开(公告)号: | CN108846404B | 公开(公告)日: | 2021-10-01 |
发明(设计)人: | 江波;关媛媛;汤进;罗斌 | 申请(专利权)人: | 安徽大学 |
主分类号: | G06K9/46 | 分类号: | G06K9/46 |
代理公司: | 合肥市浩智运专利代理事务所(普通合伙) 34124 | 代理人: | 丁瑞瑞 |
地址: | 230000 *** | 国省代码: | 安徽;34 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 相关 约束 排序 图像 显著 检测 方法 装置 | ||
1.一种基于相关约束图排序的图像显著性检测方法,其特征在于,所述方法包括:
A:针对每一幅待检测图像,使用简单线性迭代聚类SLIC算法对所述待检测图像进行超像素分割,得到不重叠的超像素块,然后将每一个所述不重叠的超像素块作为节点建立一个闭环图模型,进而计算每一个节点的中心先验信息;
B:提取输入图像的颜色、纹理、位置信息;
C:利用基于图的流形排序的显著性检测算法获取每一个节点的前景概率值;
D:将前景概率值大于第一预设阈值的节点的集合作为前景种子点集合ind_fore;将前景概率值小于第二预设阈值的节点的集合作为背景种子点集合ind_back;第一预设阈值大于所述第二预设阈值;
E:使用相关约束图排序的模型计算得到每个超像素节点的前景概率S_f,并使用前景概率值S_f作为最终的显著估计值S_final;
所述C步骤,包括:
C1:获取基于图的流形排序的显著性检测算法中每一个节点的各个无向边的权重;
C2:根据每一个所述无向边的权重,构建基于图的流形排序的显著性检测算法的第二关联矩阵其中,
为第i个超像素和第j个超像素之间边的权重,且W2为第二关联矩阵;i,j∈V,i为第i个节点的序号;j为第j个节点的序号;ci为第i个节点在CIE LAB颜色空间中所有像素点的颜色均值;cj为第j个节点在CIE LAB颜色空间中所有像素点的颜色均值;σ为控制权重平衡的常数;
C3:根据公式,D=diag{d11,…,dnn},计算度矩阵,其中,
D为度矩阵;diag{}为对角线矩阵构建函数;dii为度矩阵元素,且为关联矩阵对应的无向边的权重;
C4:针对边界上的每一节点,根据边界先验,标记所述节点的标记值;
C5:利用公式,f:X→Rm,计算所述待检测图像对应的排序权重,其中,
f为排序函数,且f=[f1,…,fn]T;f1为第1个节点的排序值;fn为第n个节点的排序值;n为节点的个数;令y=[y1,y2,…yn]T表示标签向量,种子点的标签值为1,其余的节点的标签值为0;X为输入的图像对应的特征矩阵;R为实数空间;Rm为m维实数空间;m为空间维度;y为所有种子节点标签值组成的向量;
C6:利用排序函数公式,计算闭合解,其中,
f*为排序函数;为求解函数最小值自变量函数;∑为求和函数;fi为第i个节点的排序值;fj为第j个节点的排序值;yi为第i个节点的标签值;为所述无向边的权重;dii为度矩阵中第i行i列的元素;djj为度矩阵中第j行j列的元素;μ为平衡参数;
C7:根据所述闭合解利用公式,获取非归一化解,其中,
D为度矩阵;W2为所述第二关联矩阵;S是W2的归一化矩阵;
C8:利用公式,分别计算每个节点与四个边界上的背景种子点之间的相关性,得到四种情况下每个节点的背景概率值f,其中,λ为预设参数;
C9:对每个节点与四个边界上的背景种子点之间的相关性值进行归一化得到再进行取反得到每个节点的显著值;将四种情况下得到的显著值进行点乘获取初始结果S_MR,作为节点的前景概率值。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于安徽大学,未经安徽大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810658629.3/1.html,转载请声明来源钻瓜专利网。