[发明专利]基于能量优化的图像协同显著性检测方法

说明书

本发明基于能量优化的图像协同显著性检测方法，涉及图像数据处理领域，将三个重要的显著性线索进行融合，对融合后能量方程进行优化，步骤是：输入图像组{I¹,I²,...,Iⁿ}，进行预处理；确定初始候选简单显著性图计算初始协同显著性图设置简单图像I^sim；分别提取简单图像的前景区域和背景区域的颜色特征；完成图像协同显著性检测。本发明克服了现有技术中人工标记复杂、背景噪声过多以及目标缺失的缺陷。

技术领域

本发明涉及图像数据处理领域,具体地说是基于能量优化的图像协同显著性检测方法。

背景技术

图像协同显著性检测作为计算机视觉新兴的研究领域,其目的在于从两幅及以上图像中检测相同物体或相同类别物体,已被广泛应用于图像检索、图像协同分割和弱监督定位等。

与传统的单张图像显著性检测相比,图像协同显著性检测是视觉显著性分析在多张图像上的扩展,旨在检测多张图像中的相同物体或相同类别物体,因此,图像协同显著性检测方法不仅受单张图像中对比度影响,而且还受多个相关图像中关联性影响。

现有技术中,图像协同显著性检测方法主要由三部分组成:提取有效的表征图像区域的特征、探索重要的显著性线索以及设计高效的计算框架。基于此,图像协同显著性检测模型大体上可以分为两类:自底向上的方法和基于显著性图融合的方法。

典型的自底向上的方法为Fu等人于2013年在“Cluster-based Co-saliencyDetection”一文中提出基于聚类的协同显著性检测方法,其主要思路是将多张图像中的重复性区域作为附加约束来检测多张图像中的相同物体或相同类别的显著物体,既考虑了单张图像内的显著性线索,又考虑到图间重复性线索。该方法最大优点在于利用图像间全局聚类实现图间重复性线索。但是该模型的问题也同样源于聚类,即对聚类结果过于依赖。基于显著性图融合的方法旨在从现有的多种显著性图中获取更多的显著性信息。2014年Cao等人在“self-adaptively Weighted Co-saliency Detection via Rank Constraint”论文中提出利用低秩能量为每一个参与融合的显著性图计算自适应权重,然后通过加权相加获得最终的显著性图。其存在的问题是:单张显著性图中所有的超像素区域公用一个权重系数,当显著目标和背景区域相似或者背景区域较复杂时,导致显著性检测结果中引入过多的背景噪声。CN107103326A公开基于超像素区域聚类的协同显著性检测方法,融合部分包括多尺度融合和弱显著性图与弱协同显著性图融合,两种融合方式均采用加权融合的方法,导致显著目标不能一致突出。CN106780450A公开基于低秩多尺度融合的图像显著性检测方法,该方法运用基于GMM的协同显著性先验为单一显著性图二值化之后的前景像素构建颜色模型,当图像背景颜色和前景目标颜色比较相似时,利用GMM模型评估得到的协同显著性图中前景区域会引入部分背景噪声。CN107133955A公开一种多层次结合地协同显著性检测方法,该方法中显著性图采用简单地线性加权相加融合方式,导致协同显著性检测结果不能均匀地突出显著目标。CN108009549A公开一种迭代协同显著性检测方法,该方法提出共有概率,利用某个超像素区域在其他图像中的最大匹配概率之和计算该区域属于共有区域的概率,当背景区域中存在与前景较为相似的区域时,协同显著性图中容易引入过多背景噪声。CN107909079A公开一种协同显著性检测方法,该方法将优化后的图内图间显著性图进行加权融合得到最终的协同显著性图,导致显著目标不能一致突出。CN107169417A公开基于多核增强和显著性融合的RGBD图像协同显著性检测方法,该方法根据显著对象和背景的直方图分布评估显著对象和背景的分离度,当前景目标和背景颜色较为相似时,用直方图评估两者的分离度往往会出现一定误差。CN106780582A公开基于纹理特征和颜色特征融合的图像显著性检测方法,该方法利用超像素区域的广度面积和边界连接函数计算背景概率,当显著目标较大且位于图像边界位置时,显著目标往往会被误检测为背景区域。