[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

说明书

本发明公开一种融合小型深度生成模型的显著性检测方法及终端，通过在得到的二层显著图上进行背景块再选取过程，使得选出的背景块具有更高的可靠性，将背景块构成背景种子向量，再由背景向量构造出扩散矩阵，通过扩散过程将背景向量所携带的显著性信息更好地进行扩散，从而得到基于背景先验的背景显著图。将背景显著图与二层显著图进行非线性融合得到显著图Ssubgt;_f/subgt;。同时，将训练好的小型生成器模型生成的显著图Ssubgt;_d/subgt;与显著图Ssubgt;_f/subgt;通过设计的融合算法进行融合后得到最终显著图S。本发明在面对显著性区域触及图像边界的情况时有更佳的表现，得到的最终显著图前景更加的完整且更加的明亮，而背景也得到了更有效的抑制。

技术领域

本发明涉及图像处理技术与深度神经网络领域，尤其涉及一种融合小型深度生成模型的显著性检测方法及终端。

背景技术

面对一张图像，人们可以快速地将目光聚焦到图中最吸引人注意的区域，而将其他不太重要的区域排除在外。计算机视觉领域通过模拟人类视觉系统提取能够吸引人们注意的图像区域称为显著性检测。1998年，Itti最早提出了基于Koch框架的显著性检测算法。随后，显著性检测作为能够加快计算机处理速度的强有力方式越来越受到人们的关注，并被越来越多地应用到图像检索，图像分类，图像分割，图像压缩和目标检测与识别等诸多任务中去。现有的显著性检测方法从设计方式上来说，可以分为两大类，分别是自底向上的方法和自顶向下的方法。前者主要通过利用图像的纹理、颜色、位置、物体轮廓等这些底层特征设计出相应的检测模型来对图像中的每个位置区域进行显著值计算，这种方法可以说是由数据驱动的。而后者则是依据具体的计算任务而设计，一般需要结合具体的目标进行有监督地训练，这种方法可以说是由任务驱动的。从应用上来说，显著性检测方法又可分为焦点预测与显著性区域检测两种。前者的任务是预测人类视觉的关注点，后者则是将图像中的显著区域完整的显示出来，并对背景区域进行有效的覆盖。

许多近期提出的显著性检测方法会利用图像中的颜色对比度信息进行显著性检测。单纯基于颜色信息的显著性检测方法有时不能够完整地将显著性区域内部检测出，针对该问题，Yang等人于2013年提出了基于图的流行排序方法来检测显著性目标。在选出的前景或背景种子向量作为查询的情况下，将图中每一个区域与种子向量相似性大小的排序值作为区域的显著值，进而产生显著图。Jiang等人于2015年提出了让基于流行扩散过程的显著性检测方法性能能有所提高的改进方法。通过对扩散过程与谱聚类方法内在联系的深入分析，重新构建扩散矩阵，使得种子向量所携带的显著性信息能够经扩散矩阵更好地传递出去。叶等人在Jiang等人工作的基础上，提出了利用图像的多层次特征进行显著性检测的方法。上述这些方法在一定程度上能够将显著性区域内部突显出，但还是会存在着显著性检测区域突出不完整，显著性区域置信度不高等问题。同时，目前显著性检测还会借助一些高层先验来提高算法性能，许多显著性检测方法会使用背景先验这一高层先验。然而，大多数方法(包括上述列举的方法)只是对背景先验进行简单地应用，即将图像四周的边缘区域作为背景区域，导致的结果是在显著性物体触及到图像边界的情况下产生误检测。