[发明专利]一种基于特征学习的显著性区域检测方法

说明书

一种基于特征学习的显著性区域检测方法，首先应用优化的SLIC算法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足以表征样本特征的信息，将提取的特征向量用SPBL算法学习获得检测模型。SPBL算法为SPL和Boosting算法的结合，将其用于超像素区域的分类，取得良好分类效果。在检测算法中，采用和学习算法一样的特征提取算法，应用学习的模型对特征向量进行分类，分类的结果应用基于能量函数约束模型的融合结构信息算法再次与分类结果组合获得最终的显著性检测图像。本发明在提出的数据集上能够准确分割出显著性区域，有效抑制相似背景的干扰信息。

技术领域

本发明属于机器视觉检测技术领域，尤其是工业检测场景下的机器视觉检测，为一种基于特征学习的显著性区域检测方法。

背景技术

在工业检测领域，需要通过显著性检测，确定检测物体的物理位置和轮廓，在相应的装配流程中判断工艺和器件是否合格，而且在工业检测中，对检测精度和效率的要求更高。与常规场景图像不同的是，工业场景下的机器视觉领域的检测图像由于精度和效率的要求，采集图像的视野较小，图像中的显著性物体通常只是完整物体的一部分，图像中显著性区域和背景的特征差异度较低，颜色信息较为接近，大部分需要检测的图像不符合中心先验、边界背景先验等统计信息。从而使传统的单纯根据颜色、对比度等少量信息的显著性区域检测不适用。

现有技术中很多优良的显著性检测算法已经被提出，大部分的显著性检测算法在参考文献[1]中有非常好的总结。根据参考文献[1]的工作，现有技术大部分的显著性检测算法主要是根据选择的特征直接从图像中检测显著性区域，下面对显著性检测领域相关工作进行介绍。

参考文献[2]的方案先对显著目标进行特征提取，得到多尺度对比度，中心环绕对比度和颜色空间分布三种特征图，然后与条件随机场模型结合以获得最终的检测结果。参考文献[3]的方案定义显著性为每个像素与周围像素在不同尺度的对比度，通过像素点的特征向量和邻域的特征向量的平均值的距离进行衡量。参考文献[4]的方案将局部和全局显著性检测的方法融合在一起，而且结合了上下文的方法，增强了显著性区域附近的显著点。参考文献[5]的方案通过混合高斯模型对图像像素进行聚类，度量子高斯模型的距离，将相似度大的子高斯模型进行合并，结合全局对比度与颜色空间分布获得检测结果。参考文献[6]的方案通过频率特征检测显著性区域。参考文献[7][8]的方案从输入图像中提取三个尺度的图像层，然后计算每个尺度的显著性，它们最终被输入到一个层次模型中以得到最终的结果。参考文献[9]的方案根据多种先验信息，基于频率域滤波原理检测显著性物体。参考文献[10]的方案提出基于对比度的检测算法，以直方图和颜色对比度作为检测特征。参考文献[11]的方案用统计框架和局部特征对比来计算显著性，包括光照、颜色和运动信息，然后在CRF模型中定义了一种基于能量最小化的分割方法，目标是恢复良好的突出目标。参考文献[12][13]的方案通过前景和背景SLIC区域的选择构建检测区域的显著性值。

目前已有的显著性检测算法，在前景和背景的特征比较相似时，由于提取的特征较少并且应用中心先验、边界先验等位置先验信息在工业数据集都不能取得较好的检测效果。

参考文献：

[1]Borji,Ali,et al.Salient object detection:A benchmark[C].IEEEtransactions on image processing,2015,24(12):5706-5722.

[2]Liu,Tie,Zejian Yuan,Jian Sun,Jingdong Wang,Nanning Zheng,XiaoouTang,and Heung-Yeung Shum.Learning to detect a salient object[J].IEEETransactions on Pattern analysis and machine intelligence,2011,33(2):353-367.