[发明专利]一种多特征融合的图像显著性检测方法

说明书

本发明属于图像处理技术领域，具体设计了一种多特征融合的图像显著性检测方法。包括如下步骤：S1：搭建MFS先验特征选择模块，从先验特征中选择主要特征并对主要特征进行增强；S2：搭建主干网络的架构，采用基于U‑Net的网络改进的Contrast U‑Net作为主干网络，该主干网络包含编码器、挤压提取模块、解码器，其中编码器中包含先验融合模块；S3：使用损失函数对整体模型网络结构进行优化；本发明通过将传统与深度的方法相结合，增加特征的表达能力，可以有效的提升显著目标检测的精度。

技术领域

本发明属于图像处理技术领域，具体设计了一种多特征融合的图像显著性检测方法。

背景技术

显著目标检测旨在提取图像中最引人注目的对象，具有重要的理论研究意义和实际应用价值。此基础工作已广泛应用于视觉追踪、图像分割、物体识别等多个计算机视觉应用中。

当前的显著目标检测方法主要分为两类，一类是主要依赖手工制作的特征检测显著目标的传统方法，一类是不使用任何先验知识的检测显著目标的深度学习的方法。传统的算法直接根据视觉的特点设计底层特征进行显著性监测；深度学习的方法依赖神经网络提取特征，可以挖掘图像更深、更为抽象的语义特征。这些算法虽然都已取得了一定的成果，但自然环境中前景背景相似，背景杂乱等问题依然影响着显著目标检测精度。

发明内容

针对上述检测的特点以及检测中存在的缺点，本发明提出了一种多特征融合的图像显著性检测方法，所述方法结合传统方法与深度学习方法中的优点，根据图片特点选择有利于显著目标检测的先验特征，将先验特征融入到网络的编码器，丰富了网络的底层特征，在一定程度上克服了自然环境中前景背景相似，背景杂乱的问题，提升了显著性检测的准确性。

本发明通过下述技术方案实现：

本发明提供了一种多特征融合的图像显著性检测方法，包括如下步骤:

S1:搭建MFS先验特征选择模块，从先验特征中选择主要特征并对主要特征进行增强；

如果直接将先验特征引入网络将影响网络的性能，因此对先验特征进行选择，选出主要影响特征，再通过残差结构对其进行加强，输入网络，丰富网络的底层网络的表达；

S2:搭建主干网络的架构，采用基于U-Net的网络改进的Contrast U-Net作为主干网络，该主干网络包含编码器、挤压提取模块、解码器，其中编码器中包含先验融合模块；

S3:使用损失函数对整体模型网络结构进行优化。

进一步地，步骤S1中MFS先验特征选择模块具体实现方式为：

S11:通过对原始图片处理得到4个先验特征f_m；

其中，m=1,2,3,4，f₁表示特征暗通道、f₂表示特征MSCN、f₃表示特征HSV通道的H通道、f₄表示特征HSV通道的S通道；

S12:将每个先验特征进行直方图统计，得到整体特征分布；将每个特征图的最外沿特征值取出做直方图统计，得到背景特征主要分布；在背景中增加显著目标后，通过整体特征分布和背景特征主要分布得到显著目标特征可能分布，其获得方式为：

其中，k=10表示统计直方图有10个等距值域区间，r_k表示第k级矩阵特征值域区间；当为0时，的值为无穷大；

S13:通过每个背景特征主要分布和显著目标特征可能分布分别得到背景特征主要分布区域和显著目标特征主要分布区域；

S14:通过背景特征主要分布区域与显著目标特征主要分布区域计算分布差异d_m，选择分布差异中前三个最大值所对应的特征进行拼接得到主要特征F_P，然后将其输入1×1的卷积层，获得一个多通道主要特征F_P1；