A sparse representation method and saliency detection based on label propagation, using sparse representation defines a new adjacency matrix, not only have the common boundary area is called the adjacent regions, even in the same subspace of data points is defined as neighbors, followed by image similarity between each region calculate the weight matrix, and then select the part of the edge region as the background label, finally obtained by the methods of weight matrix and background label, application of label propagation algorithm predict unlabeled regions of label information, and finally obtains the significant figure. The invention has the advantages that the invention also considers the global information and local area image, construct the adjacency matrix of the new fusion, sparse representation theory and label propagation algorithm, and has high accuracy and low error rate of return, and.
【技术实现步骤摘要】
本专利技术涉及图像显著性检测领域,具体地说是一种基于稀疏表示和标签传播的显著性检测方法。
技术介绍
近年来, 显著性检测已经成为计算机视觉领域的热门话题之一,吸引了大量学者的兴趣。该领域已经出现了很多优秀的算法,但想要开发出一种简洁实用的显著性模型仍存在较大的难度。目前,显著性检测已经被广泛应用于视觉跟踪,图像分类和图像分割等相关领域。根据检测模型和功能的不同,显著性检测算法可以分为视觉注意力检测和显著性目标检测。其中视觉注意力检测是估计人眼观察一副图像时注视点的变化轨迹,在神经系统学中被广泛研究,而显著性目标检测则是提取整个显著目标区域,同时抑制背景噪声。根据数据处理方式不同,显著性检测还可以被分为自底向上模型,和自顶向下模型。自顶向下模型[17, 19, 20, 28]是针对训练样本中有代表性的特征,因此能检测某些固定大小以及类别的目标。相反,自底向上模型[1, 2, 3, 5, 7, 9, 13, 14, 15, 16, 18, 21, 22, 23, 24, 25, 26, 29, 30]由数据驱动,无需先验知识,受到底层视觉信息的直接刺激而产生。显然,自底向上模型的计算复杂度通常要低于自顶向下模型。本专利技术提出了一种基于稀疏表示和标签传播的显著性检测方法。首先,为了获得图像中各个区域间的潜在联系,本专利技术应用稀疏表示理论构建稀疏矩阵;同时,将具有紧密联系且处在同一子空间的数据集定义为邻居,这样就增加了图像全局的连续性,在不降低复杂目标准确性的前提下,更好的识别大范围或多目标显著物;其次,本文通过平均颜色特征(CIELab)计算相邻区域的相似 ...
【技术保护点】
一种基于稀疏表示和标签传播的显著性检测方法,其特征在于:包括以下步骤:步骤一:构建邻接矩阵采用SLIC算法,将图像分割成N 个超像素点,将这N 个超像素视作N 个数据,然后对这个由N 个数据组成的数据集进行稀疏表示,数据集中每个点的稀疏表示由式(1)得到:(1)其中是N 个超像素点组成的数据集,式(1)的最优解;令矩阵为数据集除去第i 列得到的新矩阵,,D 为数据维度,考虑噪声影响及信号对过完备数据矩阵的敏感性,得到点相对于矩阵的稀疏表示,如式(2)所示:(2)其中,,是一个常量,为第i 个超像素的特征向量;F 为约束矩阵,C 是由系数向量组成的矩阵,L 是约束矩阵F 的拉普拉斯矩阵,,H 是一个对角矩阵,其每个元素是F 矩阵中一行之和,即,参数是权重系数,在向量的第i 行插入一个零值,得到N 维的向量;对每个超像素中的像素点,用一个9维的向量S 表示,如式(3)所示:(3)其中,分别表示CIELAB色彩空间的值,分别表示图像的灰度值在水平和竖直方向对应的一阶和二阶导数,代表图像的纹理信息,x,y表示图片的空间位置,,是一个常数,用于调整颜色、纹理特征与空间位置特征的比例;对每个超像素 ...
【技术特征摘要】
1.一种基于稀疏表示和标签传播的显著性检测方法,其特征在于:包括以下步骤:步骤一:构建邻接矩阵采用SLIC算法,将图像分割成N 个超像素点,将这N 个超像素视作N 个数据,然后对这个由N 个数据组成的数据集进行稀疏表示,数据集中每个点的稀疏表示由式(1)得到: (1)其中是N 个超像素点组成的数据集,式(1)的最优解;令矩阵为数据集除去第i 列得到的新矩阵,,D 为数据维度,考虑噪声影响及信号对过完备数据矩阵的敏感性,得到点相对于矩阵的稀疏表示,如式(2)所示: (2)其中,,是一个常量,为第i 个超像素的特征向量;F 为约束矩阵,C是由系数向量组成的矩阵,L 是约束矩阵F 的拉普拉斯矩阵,,H 是一个对角矩阵,其每个元素是F 矩阵中一行之和,即,参数是权重系数,在向量的第i 行插入一个零值,得到N 维的向量;对每个超像素中的像素点,用一个9维的向量S 表示,如式(3)所示: (3)其中,分别表示CIELAB色彩空间的值,分别表示图像的灰度值在水平和竖直方向对应的一阶和二阶导数,代表图像的纹理信息,x,y表示图片的空间位置,,是一个常数,用于调整颜色、纹理特征与空间位置特征的比例;对每个超像素,根据式(4)-(5)计算一个9*9的协方差矩阵M ; (4) (5)其中,表示超像素第i 个特征的平均值,表示超像素内第k 个像素的第i 个特征值,K 表示超像素内像素的个数;任意两个给定超像素的不相似性如公式(6)所示: (6)其中,为两个超像素协方差的广义特征值,由计算而得;由此,可计算两个超像素之间的关联,得到其约束矩阵;约束矩阵任意两个超像素之间值的计算如式(7)所示,其中,是一个常数: (7)得到约束矩阵后,计算其对应的拉普拉斯矩阵L ,把L 和U 代入式(4),优化计算每个稀疏编码,得到由各个稀疏系数组成的稀疏矩阵,通过式(8)将不对称的稀疏矩阵改写成对称矩阵: ...
【专利技术属性】
技术研发人员:张晓煜,林晓,刘喜玲,王春香,史军勇,李玲玲,刘丽,
申请(专利权)人:郑州航空工业管理学院,
类型:发明
国别省市:河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。