[发明专利]一种基于特征学习的显著性区域检测方法

权利要求书

1.一种基于特征学习的显著性区域检测方法，其特征是将输入图像分割为特征相似的超像素区域，以超像素区域为样本提取特征信息，将提取的特征向量用自进度促进学习算法SPBL学习获得检测模型，基于检测模型对新输入图像检测显著性区域，包括以下步骤：

1)超像素区域分割：将最小化栅格距离MBD引入简单线性迭代聚类SLIC中，用MBD距离作为SLIC算法中距离度量的计算方式，对于有c个通道的输入图像I(I₁,…,I_c)，路径τ的成本B(I,τ)如式(2)，t表示路径上的点的数量：

I_p(τ_q)表示图像I_p中的路径τ上的点，引入一个紧凑度参数α使MBD算法适用于超像素分割，相应的路径成本函数重新定义为如式(3)所示：

F(I,τ)＝B(I,τ)+α*d(τ₀,τ_t) (3)

其中，d(τ₀,τ_t)是路径的两个端点τ₀和τ_t在空间中的欧式距离，α为MBD距离和空间欧式距离之间的权重，α∈(0,1)，MBD距离由α*d(τ₀,τ_t)快速计算得到，根据路径成本进行图像聚类，分割超像素区域；

2)以分割的超像素区域为样本提取特征向量，将提取的特征向量用SPBL算法学习获得检测模型；

SPBL算法将自步学习SPL算法应用于AdaBoost的目标函数，表示为如式(4)：

其中，H是在训练数据[H_ij]＝[h_j(x_i)]下弱分类器的响应，H_i:是H的第i行，n为学习样本数，C为分类类别数，v_i是SPL算法中表示学习样本x_i难易程度的变量，g(s_i；λ)是SPL算法中表示学习样本如何被选择，以此调整v_i的值，λ为控制变量，s_i是超像素区域的显著性实值，w_yi、w_r分别为弱分类器对真实分类yi和预测分类r的响应，W为Adaboost的权重矩阵，υ＞0为约束参数，ρ_ir为学习样本x_i预测分类r得分与真实标签的差值，L为AdaBoost的损失函数；

通过优化变量v_i和W，SPLB算法逐渐从易到难学习训练样本，为了求解式(4)，循环更新变量λ，迭代优化两个变量v_i和W，式(5)为v_i的计算公式：

其中，l_i＝∑_rln(1+e^-ρir)表示训练样本x_i的损失函数，W的迭代优化值W^*通过式(6)

计算：

通过式(5)和式(6)对v_i和W^*迭代优化，直到满足设定的迭代次数终止；得到的参数用于建立SPBL算法的检测模型；

3)检测，对输入的图像按照步骤1)2)分割超像素区域并提取特征向量，将计算的特征向量输入SPBL算法计算超像素区域的显著性值，获得分类结果，分类结果结合像素的区域特征信息计算得到像素级别的显著性值，具体为：首先对检测图像应用SLIC算法，然后计算超像素区域特征，之后将计算的特征向量输入SPBL算法计算超像素区域的显著性值，获得分类结果，根据分类结果结合像素的区域特征信息计算像素级别的显著性值；其中，像素级别的显著性值通过最小化能量函数确定，能量函数约束相近的颜色相似的像素赋予相似的显著性值，每个像素的显著性值通过式(7)获得：

其中，λ控制显著性检测的拟合约束项和平滑约束项之间的平衡，k、f为超像素区域的编号，k≠f，s_k、s_f是超像素区域p_k和p_f的显著性实值，y_k是超像素区域p_k邻域的显著性值，s＝(s₁,…,s_N)和s^d是使能量函数最小的最佳值，其中w_k,f定义为式(8)：

其中，c_k和c_f表示CIE-Lab颜色空间中超像素区域p_k和p_f的颜色均值，σ_c控制颜色相似度在能量函数中的影响大小，N(k)表示超像素区域k的邻域超像素，通过式(8)，控制具有相似颜色的像素具有相似的显著性值，使背景区域的显著性值保持一致。