[发明专利]基于稀疏子空间聚类和低秩表示的显著性目标检测方法

权利要求书

1.一种基于稀疏子空间聚类和低秩表示的显著性目标检测方法，包括如下步骤：

(1)将输入图像I分割成N个超像素{p_i|i＝1,2,...,N}；

(2)对所有超像素进行聚类，得到输入图像I的J个聚类{C_j|j＝1,2,...,J}，其中每一个聚类C_j包含了m_j个超像素，即C_j＝{p_j,k|k＝1,2,...,m_j}；

(3)构建聚类特征矩阵：

针对每一个聚类C_j＝{p_j,k|k＝1,2,...,m_j}当中包含的第k个超像素p_j,k，提取该超像素中每一个像素点的颜色、边缘和纹理特征构建该像素点的特征向量，其维数为M＝53，并利用超像素p_j,k中所有像素特征向量的均值向量x_j,k作为该超像素的特征，构建聚类C_j的特征矩阵为

(4)计算所有超像素的颜色对比度，并根据超像素颜色对比度由大到小对超像素特征进行排序，得到低秩表示算法的字典D；

(5)根据上述特征矩阵X_j和字典D构建联合低秩表示模型：

s.t.X_j＝DZ_j+E_j

其中，Z_j为低秩表示系数，E为重构误差矩阵，λ是权衡低秩成分和稀疏成分之间的一个常量因子，||·||_*为矩阵核范数，表示矩阵的所有奇异值之和，||E||_2,1为重构误差矩阵E＝[E₁,E₂,...,E_j]的l_2,1范数，且E(u,v)表示E的第u行第v列元素；

求解上述联合低秩表示模型，对聚类C_j的特征矩阵X_j进行低秩稀疏分解，得到低秩表示系数的最优解集合

(6)利用聚类C_j对应的低秩表示系数计算该聚类的显著性因子L(C_j)：

其中，是低秩表示系数矩阵的前m行，是低秩表示系数矩阵的后m行，||·||_1,1表示矩阵的l_1,1范数，即|A(u,v)|表示A的第u行第v列元素的绝对值；

(7)将每一个聚类C_j的显著性因子L(C_j)按照其空间位置映射到输入图像I中，得到输入图像I的显著图。

2.根据权利要求1所述的基于稀疏子空间聚类和低秩表示的显著性目标检测方法，其特征在于：步骤(4)中得到低秩表示算法的字典D，包括如下步骤：

(4a)计算超像素的颜色对比度：

其中，表示超像素p_i中所有像素的CIElab颜色特征的均值，表示超像素p_i中任一像素点I_m的颜色特征，|p_i|是超像素p_i中像素点的总数，表示超像素p_j中所有像素的颜色特征的均值，表示超像素p_j中任一像素点I_n的颜色特征，|p_j|是超像素p_j中像素点的总数，||c_i-c_j||²为c_i和c_j欧氏距离的平方；表示超像素p_i中所有像素位置坐标的均值，表示超像素p_i中任一像素点I_m的位置坐标，表示超像素p_j中所有像素位置坐标的均值，表示超像素p_j中任一像素点I_n的位置坐标，||l_i-l_j||²为l_i和l_j欧氏距离的平方，Z_i是使得的归一化参数，σ_p是局部-全局权衡因子；

(4b)根据超像素颜色对比度由大到小对超像素特征进行排序，得到低秩表示算法的字典其中，是超像素的特征向量，1≤s_i≤N，且满足