[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

说明书

本发明公开了一种基于相关约束图排序的图像显著性检测方法及装置，方法包括：对待检测图像进行超像素分割，建立一个闭环图模型，进而计算每一个超像素节点的先验信息；提取输入图像的颜色、纹理、位置等信息；获取每一个超像素节点的前景概率值；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；第一预设阈值大于第二预设阈值；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。应用本发明实施例，可以使显著性检测结果更加准确。

技术领域

本发明涉及一种显著性检测方法及装置，更具体涉及一种基于相关约束图排序的图像显著性检测方法及装置。

背景技术

随着计算机和网络通信技术的快速发展，图像数据越来越多。海量的多媒体图像数据给信息处理带来了巨大的挑战，近年来的主要研究热点就是如何高效地存储、分析和处理这些图像信息。显著性检测作为计算机视觉领域用来降低计算复杂度的重要预处理步骤，显著性目标检测的任务是从场景中定位并分割出最显著的前景目标。该技术的应用领域特别广泛，如：目标检测与识别，基于内容的图像检索，基于上下文感知的图像大小调整，视频目标检测等。如何快速准确地找到图像的显著区域尚未形成完整的理论体系，且与具体应用有着密切的关系，对研究人员来说仍是一个富有挑战的课题。

目前通常使用自底向上的方法进行视觉信息处理。自底向上的方法通常基于底层视觉信息，所以可以有效检测图像的细节信息，而不是全局形状信息，所检测到的显著区域可能只包含目标的一部分，或容易与背景混合。近几年来出现了很多自底向上的显著性检测模型：最初Itti等人提出了一种基于神经网络的显著检测模型，该模型结合了多个尺度内的三种特征通道，实现快速场景分析，虽然该模型能够辨识部分显著像素，但是结果也包含了大量的误检。Harel等人提出了一种基于图的显著性检测方法，该模型是一种自底向上的模型，通过计算相异性获得最终的显著结果。Chang等人构建了一种图模型，结合似物性和区域显著性从而获得较好的显著性估计。Wang等人提出了一种结合局部的图结构和背景先验，并提出了一种优化框架的显著性检测模型，最终的实验结果在大多数场景下都有良好的表现。Jiang等人提出了使用吸收马尔科夫链模型来进行图像的显著性检测。Tu等人提出了使用最小生成树模型来进行图像的显著性检测。Li等人提出了使用正则化随机游走的排序模型来估计显著性值。Yang等人提出了一种基于图的流形排序的显著性检测算法，(以下简称MR算法)该算法通过筛选出一些前景种子点和背景种子点，然后使用流形排序的模型计算其余节点与这些种子点之间的相关性，从而得到最终的显著值。

但是，MR算法分为两个阶段，首先计算其余节点与获得的背景种子点之间的相关性，进行取反后获得初步的显著结果，然后在第一个阶段的基础上，获得前景种子点，然后计算其余节点与这些前景种子点的相关性，从而获得最终的结果。该方法两次排序过程是完成独立进行的，会导致图像显著性检测的准确率不高的技术问题。

发明内容

本发明所要解决的技术问题在于提供了一种基于相关约束图排序的图像显著性检测方法及装置，以解决现有基于图的流形排序模型中存在的不足。

本发明是通过以下技术方案解决上述技术问题的：

本发明实施例提供了一种基于相关约束图排序的图像显著性检测方法，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、位置等信息；

C：利用MR算法获取每一个节点的前景概率值；