[发明专利]一种鲁棒的图像显著性区域自动分割方法

说明书

本发明公开了一种鲁棒的图像显著性区域自动分割方法，包括以下步骤：首先，对图像进行超像素分割，得到图像超像素的测地距离，生成区域，边界长度，边界连通性值；然后，用HSLIC方法对原始输入图像进行超像素分割，并在此基础上使用SC方法进行全局显著性检测得到图像的显著性图；最后，使用边界连通性值和显著性图的显著性值作为图割方法的区域项，进行图像分割，输出图像的显著性区域分割结果。本发明的有益效果：将边界连通性值，图像显著性值和图割方法联系起来，通过图像自动分割技术得到图像显著性区域分割结果。

技术领域

本发明主要用于图像处理与目标识别技术领域，具体为一种鲁棒的图像显著性区域自动分割方法。

背景技术

图像显著性区域的检测是图像处理领域研究的一个重要方向，图像显著性区域往往是最引起人们注意的部分，包含了一副图像的绝大部分信息，因此，它具有广泛的应用背景。通常，它可以用在目标识别，图像分割，自适应压缩，图像检索等领域中，一种有效的图像显著性区域的检测方法对于这些领域的发展有很大的帮助。

目前存在许多种不同的显著性区域检测方法，主要分为两个大方向：基于局部对比度的方法和基于全局对比度的方法。基于局部对比度的方法利用邻域信息计算显著性，基于局部对比度的显著性检测方法只关注了图像中相邻区域的信息，没有考虑全局的影响。而基于全局对比度的方法考虑了全局的关系及结构，它的显著性是通过每一个区域与整幅图像的差异来定义的。

一种有效的显著性检测方法是基于鲁棒的背景检测的显著性优化方法，它在图像上定义了一种边界连通性值，能够有效地将背景区域和前景区域区别出来，并且在此基础上的图像显著性优化可以得到较好的显著性图。但是该方法在图像显著性区域的完整性和边界保持上效果还不是很好。

另外，现有的一种图像分割的方法是图割方法。它采用图论中最大流最小割思想，源节点为S，汇节点为T，区域项转化为S或T到每一个像素点的权重，边缘项转化为像素点之间的权重。通过求解最大流最小割，将图像分成前景和背景区域。但是该方法大多需要手工的输入，通过人眼的主观判断以及先验知识来初步确定前景和背景。因此，该方法不够灵活，且容易受操作者主观的影响。

发明内容

本发明的目的就是为了解决上述问题，提供一种鲁棒的图像显著性区域自动分割方法，它首先进行图像的背景检测得到图像的边界连通性值，然后使用基于HSLIC(Hexagonal Simple Linear Iterative Clustering，六边形简单线性迭代聚类)的SC(Superpixel Contrast，全局显著性检测方法)方法得到图像的显著性图，最后使用得到的图像的边界连通性值和显著性图的显著性值作为图割方法区域项的输入，自动地进行图像分割，最后输出图像的显著性区域分割结果。

为了实现上述目的，本发明采用如下技术方案：

一种鲁棒的图像显著性区域自动分割方法，包括以下步骤：

步骤(1)：对图像进行超像素分割，得到图像超像素的测地距离，生成区域，边界长度，边界连通性值；

步骤(2)：用HSLIC方法对原始输入图像进行超像素分割，并在此基础上使用SC方法进行全局显著性检测得到原始图像的显著性图；

步骤(3)：使用步骤(1)的边界连通性值和步骤(2)的显著性图中的显著性值作为图割方法的区域项，进行图像分割，输出图像的显著性区域分割结果。

所述步骤(1)包括以下步骤：

步骤(1-1)：输入原图像，对原图像进行超像素分割，并记录下超像素的相关情况；

步骤(1-2)：对步骤(1-1)分割后的图像，计算每个超像素的测地距离；

步骤(1-3)：利用步骤(1-2)得到的每个超像素的测地距离计算每个超像素的生成区域；