一种图像协同显著区域的检测方法技术

本发明专利技术公开了一种图像协同显著区域的检测方法，属于计算机视觉技术领域，包括：S1、采用M种显著检测方法对N张待检测图像进行显著性检测，得到M×N基本显著图

A method for detecting salient regions of images

The invention discloses a detection method of image cooperative salient region, which belongs to the field of computer vision technology, including: S1, adopting M significant detection methods to carry out significant detection for N image to be detected, and obtaining M * N basic saliency map

【技术实现步骤摘要】
一种图像协同显著区域的检测方法
本专利技术涉及计算机视觉
，特别涉及一种图像协同显著区域的检测方法。
技术介绍
近年来，显著性检测在国内外得到了广泛的关注，伴随着互联网技术的发展，从注重单张图像、单个视频的显著性处理到从多张图像或多个视频中寻找相同或相思的显著性目标的协同显著性检测技术越来越吸引人们的注意。协同显著性检测具有两种性质：一是，每张图片的协同显著区域与周围相比应该具有较强的局部显著性。二是，所有的协同显著区域应该是相似的。因此，系统显著性检测是在图像集中找到共同地显著目标的同时要将个别的显著目标抑制为背景，协同显著性检测多应用于计算机视觉检测方面，比如协同分割、协同识别、匹配等。目前，在协同显著性检测技术中，低秩矩阵分解策略和聚类的方法被广泛应用于协同显著性目标检测。其中，低秩矩阵分解是将一个矩阵分解成代表背景的低秩矩阵和代表目标的稀疏矩阵。比如Ye等在论文《DepthCo-SaliencyDetectionviaCo-SalientObjectDiscoveryandRecovery》中提出一个有效协同显著目标恢复策略。黄睿等在论文《Saliencyandco-saliencydetectionbylow-rankmultiscalefusion》提出了高斯混合模型生成协同先验，使用融合策略得到协同显著检测结果。操晓春等在论文《Self-adaptivelyWeightedCo-saliencyDetectionviaRankConstraint》中计算自适应加权值来融合单张显著图，使用秩约束获得协同显著图。但是在低秩矩阵和稀疏矩阵相对一致时，显著目标和背景相似或具有复杂的背景时，低秩矩阵分解策略很难区分低秩背景和稀疏目标，协同显著性检测结果不准确。聚类的方法比如，付等在论文《Cluster-basedco-saliencydetection》中提出了基于颜色特征聚类的方法，在类的层次上整合对比、空间和一致性线索，融合单张检测结果和协同检测结果得到最终显著图。Hwang等在论文《Imageco-saliencydetectionbasedonclusteringanddiffusionprocess》提出基于聚类和传播的协同显著检测方法，通过类的一致性和前景概率计算类的协同显著值，再通过两个阶段的传播得到最终的显著值。但是，类的一致性会将分布较广的背景误识为显著目标，协同显著检测结果偏差较大。
技术实现思路
本专利技术的目的在于提供一种图像协同显著区域的检测方法，以提高协同显著区域检测的准确率。为实现以上目的，本专利技术采用采用一种图像协同显著区域的检测方法，包括：S1、采用M种显著检测方法对N张待检测图像进行显著性检测，得到基本显著图表示采用第j种显著检测方法处理第i张待检测图像得到的基本显著图，1≤i≤N，1≤j≤M，N、M均为常数；S2、利用具有拉普拉斯正则项的低秩矩阵分解模型，对M×N张显著区域颜色特征构成的直方图矩阵进行分解，得到所述基本显著图的加权值；S3、将所述基本显著图的加权值与相应的基本显著图进行融合，得到加权显著图Sc；S4、对每张待检测图像进行聚类处理，并利用所述加权显著图Sc指导对应待检测图像聚类之后类的协同显著分配，得到协同显著图Sd；S5、将所述加权显著图Sc和所述协同显著图Sd进行融合，得到N张待检测图像的显著图S。其中，步骤S2，具体包括：根据设定的显著阈值，对所述基本显著图进行二值化处理，得到第i张待检测图像的显著区域将M×N张待检测图像的显著区域的RGB颜色通道组成直方图矩阵H，其中，第i张待检测图像的显著区域用表示，其中K表示一个显著区域构造的向量；利用所述具有拉普拉斯正则项的低秩矩阵分解模型对第i张待检测图像向量构成的矩阵进行分解，得到低秩背景矩阵L和稀疏目标矩阵E；根据所述低秩背景L和稀疏目标E，计算所述基本显著图的加权值其中，修正后的分解模型具体为：其中，L*表示背景的低秩矩阵，E*表示目标的稀疏矩阵，λ表示控制E的稀疏权重系数，β表示平衡参数，θ(L,E)表示拉普拉斯正则项：li表示低秩背景矩阵L的第i列，lj表示低秩背景矩阵L的第j列，LT表示低秩背景矩阵L的转置，Tr(·)代表矩阵LTWL的迹，第j种显著检测方法，Tr(·)代表矩阵的迹，W表示拉普拉斯矩阵：W＝(wab)∈RMN×MN，ha代表直方图特征矩阵H的第a列，hb表示直方图特征矩阵H的第b列，σ2是控制权重的参数常量，||||*表示核范式，||||1表示第一范式，表示欧式距离。其中，根据所述低秩背景L和稀疏目标E，计算所述基本显著图的加权值，具体包括：根据公式计算所述基本显著图的加权值，其中是的加权值，为特征直方图和第i张待检测图像之间的距离，定义为其中，E∈R(NM×K)，是稀疏目标矩阵E的第((i-1)×M+j)行，稀疏目标矩阵E是直方图特征矩阵H和低秩矩阵L之间的误差。其中，步骤S2具体包括：根据公式将基本显著图的加权值与相应的基本显著图进行融合，得到加权显著图Sc。其中，步骤S4，具体包括：利用K-means对所述N张待检测图像进行聚类，得到类的分布情况；将所述加权显著图Sc的显著值分配到聚类之后图像的每个像素点上，计算各待检测图像中第t个类的平均显著值根据显著分布权重公式计算每个类的i平均显著分布权重，var()表示方差分布；将所述每个类的显著分布权重与所述每个类的平均显著值进行融合，得到协同显著图Sd。其中，协同显著图Sd的计算过程为：根据公式将所述每个类的显著分布权重w(c)与所述每个类的平均显著值进行融合，得到协同显著图Sd。其中，显著图S的计算过程为：根据公式S＝Sc×Sd，将所述加权显著图Sc和所述协同显著图Sd进行融合，得到显著图S。与现有技术相比，本专利技术存在以下技术效果：本专利技术针对现有技术中存在的问题，为了更好的区分低秩背景和稀疏矩阵，在低秩矩阵分解模型中加入一个拉普拉斯正则项，得到一个修正后的分解模型。并构造颜色直方图来表示N张待检测图像的显著区域，将各待检测图像之间的差异性信息融入拉普拉斯正则项，得到各待检测图像的加权显著图。此外，针对简单的类分布不能很好的体现出各待检测图像的系统一致性，本专利技术中利用相同类的显著值的一致性，用聚类一致性得到协同显著图，并与加权显著图进行融合，实现各张待检测图像的协同显著区域，极大的提高了协同显著区域检测的准确率。附图说明下面结合附图，对本专利技术的具体实施方式进行详细描述：图1是本专利技术中一种图像协同显著区域的检测方法的流程示意图；图2是采用本专利技术提供的图像协同显著区域的检测方法与使用原始低秩矩阵分解模型的SA方法在数据集iCosegSub上的协同显著区域检测结果PR曲线对比图；图3是采用本专利技术提供的图像协同显著区域的检测方法与使用原始低秩矩阵分解模型的SA方法在数据集iCosegSub上的协同显著区域检测结果准确率-召回率-F值柱状比对图；图4是采用本专利技术提供的图像协同显著区域的检测方法与使用带有拉普拉斯正则项的低秩矩阵分解模型的SA-L方法在数据集iCoseg上的协同显著区域检测结果PR曲线比对图；图5是采用本专利技术提供的图像协同显著区域的检测方法与使用带有拉普拉斯正则项的低秩矩阵分解模型的SA-L方法在数据集iCo本文档来自技高网...

【技术保护点】
一种图像协同显著区域的检测方法，其特征在于，包括：S1、采用M种显著检测方法对N张待检测图像进行显著性检测，得到M×N张基本显著图

【技术特征摘要】
1.一种图像协同显著区域的检测方法，其特征在于，包括：S1、采用M种显著检测方法对N张待检测图像进行显著性检测，得到M×N张基本显著图表示采用第j种显著检测方法处理第i张待检测图像得到的基本显著图，1≤i≤N，1≤j≤M，M、N均为常数；S2、利用具有拉普拉斯正则项的低秩矩阵分解模型，对M×N张显著区域颜色特征构成的直方图矩阵进行分解，得到所述基本显著图的加权值；S3、将所述基本显著图的加权值与相应的基本显著图进行融合，得到加权显著图Sc；S4、对每张待检测图像进行聚类处理，并利用所述加权显著图Sc指导对应待检测图像聚类之后类的协同显著分配，得到协同显著图Sd；S5、将所述加权显著图Sc和所述协同显著图Sd进行融合，得到N张待检测图像的显著图S。2.如权利要求1所述的方法，其特征在于，所述的步骤S2，具体包括：根据设定的显著阈值，对所述基本显著图进行二值化处理，得到每张待检测图像的显著区域将M×N张待检测图像的显著区域的RGB颜色通道组成直方图矩阵H，其中，第i张待检测图像的显著区域用表示，其中K表示一个显著区域构造的向量；利用所述具有拉普拉斯正则项的低秩矩阵分解模型对直方图矩阵H进行分解，得到低秩背景矩阵L和稀疏目标矩阵E；根据所述低秩背景L和稀疏目标E，计算所述基本显著图的加权值3.如权利要求2所述的方法，其特征在于，所述具有拉普拉斯正则项的低秩矩阵分解模型具体为：其中，L*表示背景的低秩矩阵，E*表示目标的稀疏矩阵，λ表示控制E的稀疏权重系数，β表示平衡参数，θ(L,E)表示拉普拉斯正则项：li...

【专利技术属性】
技术研发人员：郑海军，刘政怡，吴建国，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽,34