The invention provides an image saliency detection method based on surrounded States and Markov models, which aims at detecting salient objects in an image. First, the approximate region of the significant object is predicted by using the surrounding state to predict the eye gaze. Secondly, the simple linear iterative clustering algorithm is used to process the original image, and then the super pixel image is obtained, and the image model is built based on the hyper pixel. Then, the hyper saliency of the detected object area is used as foreground prior, and the initial saliency map S1 is detected by Absorbing Markov chain. Next, the super pixels from the two boundaries of the most significant region of the saliency object are taken as background priors, and the initial saliency map S2 is detected by Absorbing Markov chains. Finally, the final saliency map is obtained by combining S1 and S2. This method can find salient objects in images, and improve the accuracy of saliency detection.
【技术实现步骤摘要】
一种基于被包围状态和马尔可夫模型的图像显著性检测方法
本专利技术属于计算机图像处理领域,涉及一种基于被包围状态和马尔可夫模型的图像显著性检测方法。
技术介绍
近年来,图像的显著性检测作为计算机视觉领域的一个重要方向受到国内外研究人员的普遍关注。当前的方法主要发展为两个方向:自底向上(非监督)和自顶向下(监督)。目前的自底向上的显著性检测方法主要有:基于超像素的聚类的显著性检测,它主要利用超像素之间的相似性进行聚类得到显著图;基于图割的多层自适应区域融合方法,在这个方法中,利用超像素对图像建立图割模型,初始化自适应参数,通过自适应参数的逐层调整得到多层初始显著图,最后融合所有的初始显著图得到最终的显著图;基于贝叶斯框架的显著性检测,它通过处理基于像素为单位每一个像素,结合凸包和贝叶斯模型计算每个像素的显著值得到显著图;基于背景先验和吸收马尔可夫链的显著性检测方法,它主要是把图像的四周边界作为背景先验,利用吸收马尔可夫链进行吸收处理得到每个超像素的显著值,从而计算得到显著图。自底向上的显著性检测方法还有很多,分析上面提到的几种方法我们可以得出自底向上的显著性检测的几个主要特征。自底向上的显著性检测方法需要先验知识的挖掘、基于图像的图模型的建立以及对应数学模型的建立等。比如对比度先验、背景先验和贝叶斯框架的建立等。
技术实现思路
针对现有技术存在的问题,本专利技术提出一种基于被包围状态和马尔可夫模型的图像显著性检测方法,目的在于更加准确高效的检测出图像中的显著性物体。本专利技术的技术方案为:一种基于被包围状态和马尔可夫模型的图像显著性检测方法,包括以下步骤:第一步, ...
【技术保护点】
一种基于被包围状态和马尔可夫模型的图像显著性检测方法,其特征在于以下步骤:第一步,计算显著物体的大致区域第二步,建立超像素图的模型2.1)利用简单线性迭代聚类SLIC算法对初始图像进行图像处理,得到一幅图像的超像素图;2.2)建立超像素节点之间边的连接关系和计算边的权重利用公式(6)计算超像素图中连接的两个超像素节点之间的权重w
【技术特征摘要】
1.一种基于被包围状态和马尔可夫模型的图像显著性检测方法,其特征在于以下步骤:第一步,计算显著物体的大致区域第二步,建立超像素图的模型2.1)利用简单线性迭代聚类SLIC算法对初始图像进行图像处理,得到一幅图像的超像素图;2.2)建立超像素节点之间边的连接关系和计算边的权重利用公式(6)计算超像素图中连接的两个超像素节点之间的权重wi,j;其中,ci和cj表示两个超像素的特性均值;σ2为平衡参数,设置为0.1;2.3)建立超像素图的模型G=(V,E);其中,V是超像素节点的集合,E是建立的边的集合;第三步,以检测出的显著性物体的大致区域中的超像素作为前景先验,利用吸收马尔可夫链检测出初始的显著性图S13.1)构建转移矩阵对第二步得到的图模型G中的节点进行重新排列,前t个节点为转移节点,后r个节点为吸收节点;其中,吸收节点为检测出的显著物体大致区域中的超像素,如公式(7)所示,定义关联矩阵C,c为C中的成员;若关联矩阵中若ci和cj都是转移节点并且有边连接,那么cij=wij;若ci为吸收节点,那么cii=1;cij的完整定义如下所示:定义度矩阵D=diag(∑jcij),通过度矩阵D和关联矩阵C,由公式(8)计算得到转移矩阵P;其中,Q为一个t×t的矩阵;R为一个t×r的非零矩阵;0为一个r×t的零矩阵;I为一个r×r的单位矩阵;3.2)利用吸收马尔可夫链检测初始显著图S1定义吸收概率矩阵为:对每个转移节点的吸收概率进行从大到小排序,取前0.8倍的吸收概率的平均值作为转移节点的吸收概率fs(i);定义吸收节点的显著性值为1,转移节点的显著性值sal(i)=exp(fs(i)).(1-fs(i));通过计算得到每个节点的显著性值,最终得到初始显著图S1;第四步,利用第一步计算得到的显著物体的大致区域,将距离预测显著性物体大致区域最远的两条边界的超像素作为背景先验,即作为...
【专利技术属性】
技术研发人员:陈炳才,王西宝,姚念民,高振国,余超,王健,卢志茂,谭国真,
申请(专利权)人:大连理工大学,
类型:发明
国别省市:辽宁,21
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。