[发明专利]一种显著目标识别方法

说明书

技术领域

该方法涉及图像处理、图像识别、计算机视觉技术领域。

背景技术

显著目标识别是视觉显著性的一个重要应用。视觉显著性反映了场景中的目标对人类视觉注意力的吸引能力。通过建立视觉显著性计算模型可以对这种能力进行量化估计，并用灰度图像表示出来。视觉显著性广泛应用于视觉计算的各种领域，包括显著目标识别、视频分析、遥感图像处理、图像压缩等。起初，视觉显著性计算模型基于颜色、方向、亮度等特征而建立；随后，马尔科夫随机链的计算模型被提出，这些计算模型都是基于局部对比的计算模型，能有效地检测出目标像素与周围像素的特征差异大小，使得在边缘附近的像素显著性较大。但算法仅考虑了局部对比，未考虑全局的结构"布局等因素，容易检测到局部显著区域，而不能描述完整的显著目标。由于其局限性，基于全局对比的计算模型被提出来，基于全局对比的算法参数少且计算简单，充分考虑了全局的布局等因素，但由于算法缺乏局部对比机制，导致得到的显著性目标表示的一致性较差。

发明内容

针对现有技术存在的上述问题，本发明综合考虑了局部对比与全局对比两方面因素，采用以空间距离为权值的颜色距离来表示显著性，并利用图像中颜色的分布性来以全局的角度定义目标整体，解决了片面考虑所带来的问题，并采用SLIC算法将图像抽象为多个超像素，每个超像素大小相似且适中，并且基于多尺度的思想，选择分割成不同的超像素个数，以实现多尺度分析的目的，从而更好地处理不同大小的显著目标的情况。

本发明的目的是：提高图像识别率。

本发明为实现上述目的所采用的的技术方案是：一种显著目标识别方法，该方法的步骤如下：

步骤一：在Lab颜色空间上分割图像，生成紧凑且边界清晰的超像素；

步骤二：以超像素间空间距离作为权值的加权颜色距离之和来表示超像素的稀少性R_ik；

步骤三：选择超像素与其颜色相近的其他的超像素的空间距离之和来表示空间分散性D_ik；

步骤四：计算超像素间的空间距离之和来表示空间分散性S_ik；

步骤五：将每个尺度的显著值均归一化到[0，55]，并将其以灰度图形式表达；

步骤六：求得各尺度的显著图后，需将各尺度显著图融合以得到最终的显著图。

本发明的有益效果是：本发明提出的显著性计算模型相较于现有的一些模型，提高了显著目标识别的精确率，为进一步的目标分析提供了良好的基础。与现有的算法相比，该模型提高了算法对显著目标大小的适应性，减少了背景对显著目标识别的干扰，具有更好的一致性，能更好地识别显著目标。

具体实施方式

下面，具体的描述此发明。

1、图像抽象化处理

以SLIC算法为框架，把具有相似颜色且距离相近的像素聚类，形成视觉上均匀的区域，生成超像素。利用K-means聚类在Lab颜色空间上分割图像，生成紧凑且边界清晰的超像素，所以上述步骤一的超像素的生成方式如下：首先：设定抽象化图像分为3个尺度，所包含的超像素个数为N_K＝{100,400,1000}，并定义第k个尺度中的第i个超像素在Lab颜色空间上的颜色为C_ik，空间位置为P_ik，其中超像素的颜色由其内部所有像素的平均颜色表示，空间位置取超像素的中心来表示。

2、计算单一尺度超像素的显著性

由于：(1)具有不同颜色的区域对应显著性值高，均匀的区域显著性值低，(2)经常出现的特征应当被抑制，(3)显著的像素应当聚集在一块，而不是遍布整幅图像。所以本算法取N_K＝400，采用以超像素间空间距离作为权值的加权颜色距离之和来表示超像素的稀少性R_ik，所以上述步骤二的稀少性R_ik计算方法如下：

定义d_color(i，j)为第i个超像素与第j个超像素在Lab颜色空间上的欧式距离，并对其归一化。

定义d_position(i，j)为两个超像素空间位置的欧式距离，并对其归一化，定义：