[发明专利]一种融合小型深度生成模型的显著性检测方法及终端

权利要求书

1.一种融合小型深度生成模型的显著性检测方法，其特征在于：其包括以下步骤：

S1：通过SLIC算法将图像分割为超像素图像，每个超像素块当成一个图节点，两两超像素之间的颜色特征差异作为图边的权重，从而将原始图像转化为图结构；

S2：利用简单背景先验、中心先验和颜色分布特征获得种子向量，并依据拉普拉斯的逆矩阵和谱聚类原理转化得到的图结构建立扩散矩阵，将得到的种子向量经扩散矩阵扩散后得到初步显著图；

S3：将得到的初步显著图重复S2的步骤再经扩散过程得到二层显著图；

S4：将二层显著图依据Fisher准则的思想创建背景块再选取过程，将选取出的背景块组成背景向量并构建扩散矩阵，并经扩散方法得到背景显著图；

S5：将二层显著图和背景显著图通过非线性融合算法生成显著图S_{_f}；

S6：基于生成对抗网络框架构建鉴别器网络与小型生成对抗网络，并按指定的过程进行手动分阶段训练；

S7：将原始图像输入训练好的小型生成器模型得到显著图S_{_d}，融合算法融合显著图S_{_f}与S_{_d}得到最终显著图S。

2.根据权利要求1所述的一种融合小型深度生成模型的显著性检测方法，其特征在于：S4的具体步骤为：

S4-1,定义背景块搜索区间为[l,r]，其中l与r的值由式(1)给定:

其中，l为图像中背景块个数能取得的最小取值；r为图像中背景块个数能取得的最大值，sp代表一张图像经SLIC算法分割后生成的超像素的总数，δ则是控制背景块可取值个数的参数；

S4-2,将位置指示变量p、类间差异比值变量f、存储f最大值的变量f_mx和存储向量元素的变量v均初始为0，背景块个数变量Bg初始化为l-1；

S4-3,对输入的二层显著性向量y进行升序排序，所得结果存储为向量y'；

S4-4,Bg的值自增1，当Bg大于r时，则转步骤S4-8；否则，执行步骤S4-5；

S4-5,将向量y'的第Bg个元素赋给变量v，向量y'中小于或等于v的元素构成向量m，大于v的元素构成向量n；

S4-6,基于Fisher准则的思想，给出f值的计算公式如下

其中，ag(.)为求类内样本的平均值，va(.)为求类内样本的方差，

S4-7,当f的值大于f_mx，则更新f_mx的值为f，更新p的值为Bg，转步骤S4-4；当f的值不大于f_mx时，直接转步骤S4-4；

S4-8,将p的值赋给Bg，向量y’的前Bg个元素构成背景向量b，同时返回变量Bg和向量b；种子向量s与通过背景向量b构建的扩散矩阵A^-1按式(3)进行扩散后得到背景显著性向量y_{_b}，将向量y_{_b}中每个元素的值赋予对应的超像素块后即可产生背景显著图；公式(3)的表达如下：

y＝s×A^-1                             (3)

其中，s表示种子向量，A^-1表示通过背景向量b构建的扩散矩阵。

3.根据权利要求2所述的一种融合小型深度生成模型的显著性检测方法，其特征在于：公式(1)中sp的取值远大于12，δ值取12；公式(2)中的分子代表了类间差异，分母代表了类内差异，以最终的比值f为依据对显著性行向量y’进行二分类。