[发明专利]一种图像显著性目标检测方法

说明书

本发明是一种图像显著性目标检测方法，涉及图像分析的区域分割，是基于多图模型先验和短连接网络优化的图像显著性检测方法，该方法是对每张输入图像利用颜色和位置信息，计算KNN图模型和K正则图模型，得到在KNN图模型下的显著图S₁和在K正则图模型下的显著图S₂，再将KNN图模型和K正则图模型进行像素级别的融合，得到原图像的初始显著图S₃，利用短连接网络优化初始显著图S₃，获得原图像的最终的显著图S_final，完成图像显著性目标检测，克服了图像显著性目标检测的现有技术中存在的显著目标检测不完整、当前景背景颜色相似时算法检测不准确的缺陷。

技术领域

本发明的技术方案涉及图像分析的区域分割，具体地说是一种图像显著性目标检测方法。

背景技术

图像显著性目标检测是指利用计算机模拟人眼的视觉注意力机制，从图像中提取人类感兴趣的区域，是计算机视觉领域的关键技术之一。

图像显著性目标检测的现有技术中，根据所提取图像特征类型的不同，图像显著性目标检测方法分为手工模型和深度学习模型。图像显著性目标检测的手工模型是指根据图像手工特征，例如颜色、纹理、位置和梯度，计算区域的显著值，但低级的图像手工特征无法描述对象的语义信息，在复杂场景中，无法精确描述对象边界；图像显著性目标检测的深度学习模型是指利用卷积神经网络提取图像的高级语义特征计算图像显著值，得到更丰富的深度特征，进而得到更准确的检测结果，但采用深度卷积神经网络会丢失图像显著性目标的位置信息和细节信息，在检测图像显著目标时可能会引入误导信息，导致检测到的图像显著性目标不完整。

2014年，Zhu等人在“Saliency Optimization from Robust BackgroundDetection”一文中提出的基于边界连通性的背景检测方法，其主要思路是提取图像边界作为背景先验，通过计算每个区域的边界连通性扩大显著目标和背景区域的差异，从而得到更准确的图像显著区域，解决了图像显著目标处于边界时检测不准确的问题，但是当背景区域较复杂时，图像显著性检测目标会缺失。Yu等人于2019年在“基于多图流形排序的图像显著性检测”一文中提出的基于多图流形排序的检测方法，其主要思路是在对每个图像构造基于超像素的KNN图模型和K正则图模型，在两种模型上利用流形排序算法得到图像显著值，加权融合不同模型结果，得到最终的图像显著值，该方法通过构造不同的图模型得到更准确的显著区域，但在显著目标和背景区域相似或背景区域较复杂时，图像显著性检测结果引入较多的背景噪声。Zhao等人于2019年在“Pyramid Feature Attention Network forSaliency detection”一文中提出一种图像显著性目标检测的金字塔特征注意网络方法，该方法采用上下文感知金字塔模块提取多尺度高级特征，然后利用空间注意机制过滤低层空间结构特征，最后将两种特征融合在一起，该方法得到的结果显著目标边缘模糊，复杂环境下检测到的图像显著目标缺失。CN106780582A公开了基于纹理特征和颜色特征融合的图像显著性检测方法,该方法利用颜色特征计算初步对比度，利用纹理特征计算背景概率，融合初步对比度得到新的对比度，即得到图像显著图，其存在是当图像显著目标较大且位于图像边界位置时,图像显著目标往往会被误检测为背景区域的缺陷。CN110188763A公开了基于改进图模型的图像显著性检测方法，该方法在改进图模型的基础上，根据底层特征得到基于底层特征的显著图，利用底层特征和先验知识提取高层特征，并结合显著物体的紧凑性确定阈值，得到前景、背景种子节点，得到基于前景、背景的显著图并融合，最后融合基于底层特征的显著图，得到最终显著图，其存在是前景、背景种子选择部分很难找到一个合适阈值导致基于该种子节点的显著图不准确，导致最终显著图不准确且对噪声敏感的缺陷。CN106780430B公开了基于被包围状态和马尔科夫模型的图像显著性检测方法，该方法利用被包围状态得到显著性物体的大概区域，并将该区域作为前景先验，同时将距离该区域最远的两条边界作为背景，利用吸收马尔可夫链得到基于前景的显著图和基于背景的显著图，并融合两个显著图得到最终显著图，其存在是该方法没有考虑复杂背景的情况，导致显著性检测结果中引入过多的背景噪声的缺陷。CN108898136A公开了跨模态图像显著性检测方法，该方法利用多模态图像和流形排序算法，以图像边界为种子节点，计算节点的背景概率，其存在当显著目标触及图像边界时，显著目标会被误检测为背景的缺陷。CN106952251B公开了基于吸附模型的图像显著性检测方法，该方法利用模糊C均值聚类算法得到候选显著性区域和背景区域，利用基于漏电的积分放电模型的胜者得全网络确定场景中的关注点，使用基于关注点和背景区域的吸附过程筛选候选区域，利用区域的颜色差异和空间距离计算显著性值，通过显著性传播和高斯滤波优化最终结果，其存在是当显著图像较大且位于图像边界时，利用高斯滤波优化后的显著图存在主体缺失的情况的缺陷。CN106373126A公开了基于融合类测地线和边界对比的图像显著性检测方法，该方法通过融合边界对比图、有颜色对比的测地线图和无颜色对比的测地线图得到最终显著图，其存在是该方法在前景背景颜色相似情况下，基于颜色对比度的测地线图中存在过多的背景噪声的缺陷。CN107169954A公开了基于并行卷积神经网络的图像显著性检测方法，该方法设计全局检测模块CNN#G和局部检测模块CNN#L，并通过一个全连接层实现并行，实现对图像进行显著性检测，其存在是没有充分利用CNN模块得到的深度特征，显著目标边缘不精细的缺陷。