图像显著性检测方法及装置制造方法及图纸

本发明专利技术实施例提供一种图像显著性检测方法及装置，所述方法包括：从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图。本发明专利技术实施例提高了低光照下图像显著性检测的准确性。

Image saliency detection method and device

The embodiment of the present invention provides an image saliency detection method and device. The method includes: extracting multiple features from the target image, generating feature maps, segmenting the target image at multiple scales based on the super-pixel segmentation algorithm, obtaining the initial super-pixel blocks, and obtaining the initial super-pixel blocks according to the feature maps and the initial super-pixel blocks. The saliency value; the saliency value of each initial super-pixel block is used to generate the initial saliency map at each scale, and the initial saliency map is optimized based on ant colony optimization algorithm to obtain the optimal saliency map at each scale; and the final saliency map of the target image is obtained according to the optimal saliency map at each scale. The embodiment of the invention improves the accuracy of image saliency detection under low light.

【技术实现步骤摘要】
图像显著性检测方法及装置
本专利技术实施例属于图像处理
，更具体地，涉及一种图像显著性检测方法及装置。
技术介绍
图像的视觉显著性信息能够反映图像中不同区域对人视觉系统刺激程度。图像显著目标检测是计算机视觉领域的一项基础性研究，通过显著性检测可以从海量的图像数据中找出可能引起人眼视觉注意的重要区域或对象。现有的图像显著性检测模型大多数仅适用于可见光环境，然而实际的应用场景中经常会出现一些低光照环境，比如受雨、雪、雾霾等天气干扰或者夜间光照条件很差的环境，从而导致特征的测度容易受到噪声干扰，以及背景变化、纹理模糊等诸多因素的影响，使得显著性检测结果的可靠性大幅度下降。虽然现有研究在图像显著性检测上取得了一些成果，但由于低光照下信噪比低且有效特征有限，低光照下图像显著性检测的效果依然较差。因此如何对低光照图像进行显著性检测仍然是一个具有挑战性的问题。
技术实现思路
为克服上述现有的低光照下图像显著性检测效果差的问题或者至少部分地解决上述问题，本专利技术实施例提供一种图像显著性检测方法及装置。根据本专利技术实施例的第一方面，提供一种图像显著性检测方法，包括：从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图。根据本专利技术实施例第二方面提供一种图像显著性检测装置，包括：分割模块，用于从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；优化模块，用于根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；获取模块，用于根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图。根据本专利技术实施例的第三个方面，还提供一种电子设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的图像显著性检测方法。根据本专利技术实施例的第四个方面，还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的图像显著性检测方法。本专利技术实施例提供一种图像显著性检测方法及装置，该方法通过使用超像素分割算法将目标图像分割为多个初始超像素块，根据各初始超像素块的多维特征获取目标图像的初始显著图，将初始显著图中的各初始超像素块看作一个结点，构建图模型，在图模型的基础上使用蚁群优化算法对初始显著图进行优化，根据优化后的初始显著图检测出目标图像的显著性，提高了低光照图像显著性检测的准确性，为夜间安全监控和复杂环境目标定位等问题提供支持。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的图像显著性检测方法整体流程示意图；图2为本专利技术又一实施例提供的图像显著性检测方法整体流程示意图；图3为本专利技术实施例提供的图像显著性检测装置整体结构示意图；图4为本专利技术实施例提供的电子设备整体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在本专利技术的一个实施例中提供一种图像显著性检测方法，图1为本专利技术实施例提供的图像显著性检测方法整体流程示意图，该方法包括：S101，从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；其中，对目标进行多维特征提取，本实施例不限于提取特征的种类。超像素分割算法是指将具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块，利用像素之间特征的相似性将像素分组，用少量的超像素代替大量的像素来表达图像特征，从而降低图像后处理的复杂度。目标图像为需要进行显著性检测的图像。初始超像素块为直接使用超像素分割算法将目标图像进行分割获取的超像素。每个初始超像素块具有一个类别标签。使用超像素分割算法将目标图像分割为多个初始超像素块，本实施例适用于各种超像素分割算法。根据初始超像素块在目标图像中的区域，从目标图像的多维特征中获取初始超像素块的多维特征，根据各初始超像素块的多维特征，使用全局对比度方法获取各初始超像素块的显著值。基于超像素分割算法对目标图像分别进行多个尺度的分割是指使用超像素分割算法对目标图像进行多次分割，每次分割结果中初始超像素个数不同。S102，根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；使用各尺度下的各初始超像素块生成目标图像的初始显著图。蚁群优化算法是一种用于寻找优化路径的概率型算法，该算法具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种启发式全局优化算法。根据初始超像素块的特征使用蚁群优化算法对初始超像素块进行更新，获取多个超像素区域。超像素区域为使用蚁群优化算法对初始超像素块进行更新后获取的超像素。S103，根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图。将各超像素区域在目标图像中对应区域的多维特征作为各超像素区域对应的多维特征。根据各超像素区域对应的多维特征，使用全局对比度方法计算各超像素区域的显著值。使用各超像素区域的显著值获取目标图像的显著图。本实施例通过使用超像素分割算法将目标图像分割为多个初始超像素块，根据各初始超像素块的多维特征获取目标图像的初始显著图，将初始显著图中的各初始超像素块看作一个结点，构建图模型，在图模型的基础上使用蚁群优化算法对初始显著图进行优化，根据优化后的初始显著图检测出目标图像的显著性，提高了低光照图像显著性检测的准确性，为夜间安全监控和复杂环境目标定位等问题提供支持。在上述实施例的基础上，本实施例中从目标图像中提取多个特征的步骤具体包括：提取目标图像的颜色特征、纹理特征、方向特征和梯度特征；其中，所述目标图像的颜色特征包括所述目标图像在LAB、HSV和YCbCr空间的颜色特征。具体地，从目标图像中提取12个低层视觉特征，包括颜色特征、纹理特征、方本文档来自技高网...

【技术保护点】
1.一种图像显著性检测方法，其特征在于，包括：从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图。

【技术特征摘要】
1.一种图像显著性检测方法，其特征在于，包括：从目标图像中提取多个特征，生成特征图，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块，根据各所述特征图和各所述初始超像素块，获取各所述初始超像素块的显著值；根据各所述初始超像素块的显著值生成各所述尺度下的初始显著图，基于蚁群优化算法对各所述初始显著图进行优化，获取各所述尺度下的最优显著图；根据各所述尺度下的最优显著图，获取所述目标图像的最终显著图。2.根据权利要求1所述的方法，其特征在于，从目标图像中提取多个特征的步骤具体包括：提取目标图像的颜色特征、纹理特征、方向特征和梯度特征；其中，所述目标图像的颜色特征包括所述目标图像在LAB、HSV和YCbCr空间的颜色特征。3.根据权利要求1所述的方法，其特征在于，基于超像素分割算法对所述目标图像分别进行多个尺度的分割，获取初始超像素块的步骤具体包括：根据多个预设超像素个数，分别在所述目标图像中确定初始种子点；根据各所述初始种子点的邻域中各像素点的梯度值，对所述初始种子点进行更新，获取新种子点；将以各所述新种子点为中心的预设范围内的像素作为各所述新种子点的邻域像素，根据各所述新种子点与各所述新种子点的邻域像素之间的距离，为各所述新种子点的邻域像素分配类别标签，将具有相同所述类别标签的像素作为一个初始超像素块。4.根据权利要求1所述的方法，其特征在于，根据各所述特征图和各所述初始超像素块获取各所述初始超像素块的显著值的步骤具体包括：计算所述目标图像的各特征图的一维熵；将所述目标图像一维熵最大的预设个数的特征图作为目标特征图；根据各所述初始超像素块的目标特征图，基于全局对比度方法获取各所述初始超像素块的显著值。5.根据权利要求1所述的方法，其特征在于，各所述初始显著图进行优化，获取各所述尺度下的最优显著图的步骤具体包括：计算任意两个所述初始超像素块之间的距离；将所述任意两个初始超像素块之间的距离与预设阈值进行比较，获取所述任意两个初始超像素块之间路径的信息量；根据所述任意两个初始超像素块之间路径的信息量，计算...

【专利技术属性】
技术研发人员：刘磊，徐新，穆楠，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北,42