[发明专利]图像显著性目标的检测方法、装置、终端设备及存储介质

权利要求书

1.一种图像显著性目标的检测方法，其特征在于，包括：

提取待处理图像的特征张量，包括：

将所述待处理图像分割为多个图像块；

对于每个所述图像块，提取所述图像块的特征向量；其中，所述图像块的特征向量包括所述图像块在多个特征空间分别对应的特征向量；

根据多个所述图像块的所述特征向量，构建所述待处理图像的特征张量，包括：

对于每个所述图像块，将所述图像块的多个所述特征向量添加至空白对角矩阵，得到所述图像块的块对角矩阵；

对多个所述图像块的所述块对角矩阵进行矩阵重组，得到所述特征张量，包括：

对每个所述块对角矩阵进行旋转变换，得到所述块对角矩阵分别对应的三阶张量，包括：

通过矩阵旋转变换操作，每个超像素的块对角矩阵F_i∈R^D×K被转换为三阶张量F_i∈R^D×1×K，以保持超像素中图像特征的空间位置，再沿着第二维，即R^D×1×K中1所在的维度，对F_i∈R^D×1×K进行排列，得到待处理图像的特征张量F∈R^D×N×K；

将多个所述三阶张量进行排列，得到所述特征张量；其中，特征向量为一维数组，其能够描述图像在特征空间的图像信息，特征张量为三维或三维以上数组，其是定义在一些向量空间和对偶空间的笛卡尔积上的多重线性映射，即其能够描述特征向量之间的线性关系，也能够描述特征向量所组成的特征矩阵之间的线性关系；

对所述特征张量进行分解，得到显著性张量；

根据所述显著性张量，确定所述待处理图像中的显著性目标。

2.如权利要求1所述的图像显著性目标的检测方法，其特征在于，所述对所述特征张量进行分解，得到所述特征张量对应的显著性张量，包括：

将所述特征张量输入到预设的特征张量分解模型，获得所述显著性张量，所述特征张量分解模型用于分解出所述特征张量中的所述显著性张量和背景张量，所述背景张量用于描述所述待处理图像在特征空间中的背景信息。

3.如权利要求2所述的图像显著性目标的检测方法，其特征在于，所述将所述特征张量输入到预设的特征张量分解模型，获得所述显著性张量，包括：

初始化所述特征张量分解模型；

基于初始化后的所述特征张量分解模型，对所述特征张量分解模型的显著性张量和背景张量进行迭代，通过迭代后的所述显著性张量和所述背景张量更新所述特征张量分解模型；

若更新后的所述特征张量分解模型达到预设收敛条件，则输出最终迭代后的所述显著性张量。

4.如权利要求2所述的图像显著性目标的检测方法，其特征在于，所述特征张量分解模型的计算公式为：

s.t.F＝L+S

其中，F为所述特征张量；L为所述背景张量，Φ(L)表示对所述背景张量的低秩约束；S为所述显著性张量，Ψ(S)表示对所述显著性张量的组稀疏约束；表示L和S所组成的函数取最小值；α为数值为正数的平衡系数。

5.如权利要求2所述的图像显著性目标的检测方法，其特征在于，所述特征张量分解模型的计算公式为：

s.t.F＝L+S

其中，F为所述特征张量；L为所述背景张量，Φ(L)表示对所述背景张量的低秩约束；S为所述显著性张量，Ψ(S)表示对所述显著性张量的组稀疏约束；S,L为描述背景信息与显著性目标信息之间差异的差异项，Θ(S,L)表示对所述差异项的正则约束；表示L和S所组成的函数取最小值；α和β均为数值为正数的平衡系数。

6.如权利要求4或5所述的图像显著性目标的检测方法，其特征在于，采用预设的先验系数作为组稀疏约束的权重值；相应地，所述Ψ(S)的计算公式为：

其中，G_i为所述待处理图像中图像块的分组信息，表示G_i对应于所述显著性张量的子张量，ω_i为G_i的先验系数，表示的范数。