一种基于前景聚集度和背景先验的显著性物体检测方法技术

一种基于前景聚集度和背景先验的显著性物体检测方法，步骤如下：一、图像预处理；二、基于前景聚集度的显著性；三、基于背景先验的显著性；四、显著性优化融合；该方法通过基于哈希编码和聚集度权重的方式得到聚集度特征，与基于中心先验的对比度特征结合后得到前景显著图；通过剔除边缘种子中与前景相似度过高的超像素，从而得到背景种子，并通过计算各超像素与背景种子的差异度得到背景显著性；最后，构建包含背景项、前景项和平滑项的代价函数，通过最小化代价函数得到并优化最终显著性。本发明专利技术得到的显著图能均匀的凸显前景目标，且很好地抑制背景噪声，可广泛适用于自然图像，有利于后续目标检测、目标分割等应用，具有实际应用价值。

【技术实现步骤摘要】
(一)
本专利技术涉及一种基于前景聚集度和背景先验的显著性物体检测方法，属于计算机视觉和数字图像处理领域。在目标分割、目标识别等领域中有广阔的应用前景。(二)
技术介绍
人眼往往更容易注意到场景中与周围环境有完全不同属性，差别明显的物体，这种自动感知的能力能够很容易地将场景中的感兴趣部分分离出来。正是物体的这种与周围环境显著的差异并引起人眼注意的能力被称为视觉显著性。根据经典的显著性理论，视觉注意机制可以分为两类：自上而下的注意机制和自下而上的注意机制。自上而下的注意机制是由任务驱动的，这一机制中，人的意识和任务决定了图像中的显著目标是哪一部分，根据任务，有人的主观意识出发，人的看法在这一机制中发挥了很大的作用。而自底向上的注意机制是由数据驱动的，也就是由图像中自身包含的信息决定的。往往由图像中的物体与其周围的差异性决定了该物体的显著性。在计算机视觉领域，自上而下的视觉注意机制由于其以人的主观意识为主，研究起来十分困难，所以现在的显著性领域以自底向上的视觉注意机制为主要研究发现。自底向上机制的研究中最为经典的则为于1998年提出的Itti模型，此模型在多尺度空间提取了亮度、颜色、方向三个特征作为图像的特征，通过滤波以及中央——周围差算法得到得到三个特征的特征图，最后用线性加和的方法将三种特征融合，得到最终的显著图。Liu等人在2007年通过对显著目标进行特征提取，得到多尺度对比度，中央-周围对比度，颜色空间分布3种特征，再用条件随机场模型进行组合，得到最终的显著性检测结果。Hou等人于2009年提出了一种基于残留谱的显著性计算模型，在傅里叶变化域以原像信息与其冗余信息之差得到谱残留信息，以残留信息反变换到空间域得到其显著性图。Jiang等人2013年提出了UFO模型，通过结合目标的独特性、集中性和似物性特征来衡量显著性。Zhu等人通过计算区域轮廓与边界相连的长度与区域面积的比值，得到了区域的边界连接性特征，并在此基础上计算出基于背景权重的对比度，最后通过优化的方法来估计各区域的显著性。以往的显著性模型通常只从目标出发，或只从背景出发。本专利技术结合前景目标的特征以及背景先验的优势，提出了一种前景聚集度的计算方法和背景种子选取方法，并利用优化的方式将前景与背景融合，充分地突出了前景并抑制了背景。(三)
技术实现思路
(1)本专利技术的目的为了弥补传统方法的不足，本专利技术从前景聚集度先验和背景先验出发，提供了一种基于前景聚集度和背景先验的显著性目标检测方法。本专利技术中的聚集度先验结合了聚集度与中心先验，背景先验则是从图像的边界出发。因为通过对大量的图像观察可以发现，显著性目标在整幅图像中的分布比较聚集，然而背景则分布较为广泛，常分布于整幅图像之中，根据此发现，本专利技术构建了聚集度先验。另外，根据摄影习惯，目标一般被置于图像中靠近中心的位置，现有的方法中很多都是将图像中心作为中心先验，但这种方法很容易出现错误，为了解决这一问题，本专利技术中采用了基于凸包的中心先验，能根据图像自适应地选取更可靠的中心先验。同样通过对大量的图像观察可以发现，靠近图像边界的部分一般多为背景，于是现有的很多方法则选用图像的边界作为背景先验。然而实际中存在一些状况，图像的边界中包含一部分显著性目标，为了应对这种状况，本专利技术提出了一种背景种子点的选择方法，从而提供更准确地背景先验。(2)技术方案本专利技术的一种基于前景聚集度和背景先验的显著性物体检测方法，其具体方法步骤如下：步骤一：图像预处理；针对后续步骤，首先，通过构建输入图像的高斯混合模型将输入图像分为多层，并利用哈希变换得到各层的二进制码；再者，通过超像素分割将输入图像分割为许多颜色相似，保边界的超像素，并计算各超像素的平均位置和平均颜色；另外提取输入图像中包含显著目标的凸包，以凸包中心作为中心先验；其中，在步骤一中所述的“利用哈希变换得到各层的二进制码”，其作法如下：首先构建输入图像的高斯混合模型，用高斯混合模型的各成分对应代表一种颜色，则可将输入图像的颜色分为6类，同时得到各像素点属于各类的概率。像素属于各层的概率可以用图像来表示，则相对于将输入图像分解为了6部分，即用灰度值表示隶属度的6层灰度图像；然后将这6幅图像均降采样到大小为8×8的图像，计算其灰度均值，将灰度值大于均值像素的标记为1，否则为0，从而得到每层图像对应的64位二进制码；步骤二：基于前景聚集度的显著性；首先以各层二进制码间的相似程度作为相似性测度，将输入图像的高斯混合模型各层进行分类，再通过计算各类基于中心先验的聚集度作为权重对进行融合得到聚集度特征；再计算各超像素结合中央先验的全局对比度，得到对比度特征。最后将聚集度特征与对比度特征相乘，作为前景聚集度显著图；其中，在步骤二中所述的“将输入图像的高斯混合模型各层进行分类”，其作法如下：首先以高斯混合模型各层图像对应的二进制码之间的欧氏距离的倒数作为相似度测度，利用Alex Rodriguez的聚类方法将这6层图像聚为3类，分别代表图像中的前景、背景和阴影部分，则各像素点属于这三类中第K类的概率为： p ( K | I x ) = Σ k ∈ K p ( k | I x ) ]]>其中p(k|Ix)是像素Ix属于高斯混合模型第k个成分的概率，且这第k个成分属于第K类，相当于将属于第K类的几层图像加和。其中，在步骤二中所述的“再通过计算各类基于中心先验的聚集度作为权重对进行融合得到聚集度特征”，其计算的过程如下：以聚集度为权重将分类得到的三类图像加和，得到聚集度特征图： S C = Σ K p ( K | I x ) * C o m p ( K ) ]]>Comp(K)即为第K类图像对应的聚集度： C o m p ( K ) = ( Σ I x | | x - μ | | 2 本文档来自技高网...

【技术保护点】
一种基于前景聚集度和背景先验的显著性物体检测方法，其特征在于：其具体方法步骤如下：步骤一：图像预处理；针对后续步骤，首先，通过构建输入图像的高斯混合模型将输入图像分为多层，并利用哈希变换得到各层的二进制码；再者，通过超像素分割将输入图像分割为许多颜色相似，保边界的超像素，并计算各超像素的平均位置和平均颜色；另外提取输入图像中包含显著目标的凸包，以凸包中心作为中心先验；步骤二：基于前景聚集度的显著性；首先以各层二进制码间的相似程度作为相似性测度，将输入图像的高斯混合模型各层进行分类，再通过计算各类基于中心先验的聚集度作为权重对进行融合得到聚集度特征；再计算各超像素结合中央先验的全局对比度，得到对比度特征；最后将聚集度特征与对比度特征相乘，作为前景聚集度显著图；步骤三：基于背景先验的显著性；首先取得与图像边界相连的超像素作为背景种子；然后，对步骤二中得到的前景显著图二值化，将被标记为1的超像素作为前景种子点，计算其他超像素与前景种子的相似程度，并确定阈值；将边界超像素中与前景种子相似度大于阈值的部分超像素从背景种子中剔除，则得到最终背景种子集；最后，通过计算各超像素与背景种子的对比度，从而得到背景显著性；步骤四：显著性优化融合；将融合问题视为优化问题，构建一个包含前景项、背景项和平滑项的代价函数，将前景背景结合在一起，通过最小化代价函数得到最终的显著图；所述的步骤四中，首先构建一个代价函数，将前景背景结合在一起：Foreground代表前景项，Background代表背景项，Smoothness为平滑项；其中S(i)为第i个超像素的最终显著性均值，通过最小化代价函数得到最终的显著图；α是平衡前景显著性与背景显著性对最终显著性影响力大小的权重，λ是调节平滑项作用大小的权重，即调节最终显著性的平滑程度；最后通过最小化代价函数，得到最终的显著性S；通过以上步骤，本检测方法结合图像前景聚集度和背景先验，能够较好地突出前景和抑制背景，则比较准确地检测出图像目标，对于其他图像处理领域如目标分割、目标跟踪和目标检索都有实际应用价值。...

【技术特征摘要】
1.一种基于前景聚集度和背景先验的显著性物体检测方法，其特征在于：其具体方法步骤如下：步骤一：图像预处理；针对后续步骤，首先，通过构建输入图像的高斯混合模型将输入图像分为多层，并利用哈希变换得到各层的二进制码；再者，通过超像素分割将输入图像分割为许多颜色相似，保边界的超像素，并计算各超像素的平均位置和平均颜色；另外提取输入图像中包含显著目标的凸包，以凸包中心作为中心先验；步骤二：基于前景聚集度的显著性；首先以各层二进制码间的相似程度作为相似性测度，将输入图像的高斯混合模型各层进行分类，再通过计算各类基于中心先验的聚集度作为权重对进行融合得到聚集度特征；再计算各超像素结合中央先验的全局对比度，得到对比度特征；最后将聚集度特征与对比度特征相乘，作为前景聚集度显著图；步骤三：基于背景先验的显著性；首先取得与图像边界相连的超像素作为背景种子；然后，对步骤二中得到的前景显著图二值化，将被标记为1的超像素作为前景种子点，计算其他超像素与前景种子的相似程度，并确定阈值；将边界超像素中与前景种子相似度大于阈值的部分超像素从背景种子中剔除，则得到最终背景种子集；最后，通过计算各超像素与背景种子的对比度，从而得到背景显著性；步骤四：显著性优化融合；将融合问题视为优化问题，构建一个包含前景项、背景项和平滑项的代价函数，将前景背景结合在一起，通过最小化代价函数得到最终的显著图；所述的步骤四中，首先构建一个代价函数，将前景背景结合在一起：Foreground代表前景项，Background代表背景项，Smoothness为平滑项；其中S(i)为第i个超像素的最终显著性均值，通过最小化代价函数得到最终的显著图；α是平衡前景显著性与背景显著性对最终显著性影响力大小的权重，λ是调节平滑项作用大小的权重，即调节最终显著性的平滑程度；最后通过最小化代价函数，得到最终的显著性S；通过以上步骤，本检测方法结合图像前景聚集度和背景先验，能够较好地突出前景和抑制背景，则比较准确地检测出图像目标，对于其他图像处理领域如目标分割、目标跟踪和目标检索都有实际应用价值。2.根据权利要求1所述的一种基于前景聚集度和背景先验的显著性物体检测方法，其特征在于：在步骤一中所述的“利用哈希变换得到各层的二进制码”，其作法如下：首先构建输入图像的高斯混合模型，用高斯混合模型的各成分对应代表一种颜色，则将输入图像的颜色分为6类，同时得到各像素点属于各类的概率；像素属于各层的概率能用图像来表示，则相对于将输入图像分解为了6部分，即用灰度值表示隶属度的6层灰度图像；然后将这6幅图像均降采样到大小为8×8的图像，计算其灰度均值，将灰度值大于均值像素的标记为1，否则为0，从而得到每层图像对应的64位二进制码。3.根据权利要求1所述的一种基于前景聚集度和背景先验的显著性物体检测方法，其特征在于：在步骤二中所述的“将输入图像的高斯混合模型各层进行分类”，其作法如下：首先以高斯混合模型各层图像对应的二进制码之间的欧氏距离的倒数作为相似度测度，利用Alex Rodriguez的聚类方法将这6层图像聚为3类，分别代表图像中的前景、背景和阴影部分，则各像素点属于这三类中第K类的概率为： p ( K | I x ) = Σ k ∈ K p ( k | I x ) ]]>其中p(k|Ix)是像素Ix属于高斯混合模型第k个成分的概率，且这第k个成分属于第K类，相当于将属于第K类的几层图像加和。4.根据权利要求1所述的一种基于前景聚集度和背景先验的显著性物体检测方法，其特征在于：在步骤二中所述的“再通过计算各类基于中心先验的聚集度作为权重对进行融合得到聚集度特征”，其计算的过程如下：以聚集度为权重将分类得到的三类图像加和，得到聚集度特征图： S C = Σ K p ( K | I x ) * C o m p ( ...

【专利技术属性】
技术研发人员：李露，郑玉，周付根，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11