[发明专利]基于自学习特征和矩阵低秩复原的视觉显著性检测方法

权利要求书

1.一种基于自学习特征和矩阵低秩复原的视觉显著性检测方法，其特征在于，其步骤如下：

步骤一：获取自学习特征：

步骤1：预处理：

1)图像缩放：

对大小为k×g的原始图像进行等比例缩放，缩放比例为a，缩放后的图像大小为ak×ag，其中，k、g均是非负整数，0<a<1，ak＝round(k×a)，ag＝round(k×g)，round(·)代表四舍五入运算；

2)图像分块：

从缩放后图像的左上角到右下角采用b×b的滑动窗口顺次截取b×b的图像块，每个图像块都与水平和垂直方向的相邻图像块之间有50％的区域重叠，与±45°方向的相邻图像块之间有25％的区域重叠；将截取的所有图像块转换成列向量，并按照截取的次序组合成一个图像块向量矩阵，标记为：X＝[x₁,x₂,...x_N]∈C^m×N；其中，C代表自然数集合，x_i,i∈[1,N]代表第i个图像块对应的列向量，N是图像块x_i的个数；m是图像块x_i的维数，m＝b×b×c，c为图像通道数，b≥4，且b必须为偶数；

步骤2：自学习特征提取：

1)特征提取模板自学习：

将图像块矢量矩阵X作为训练样本集，自适应的特征提取模板W可通过求解如下目标函数最小化问题得到：

minαi∈Rn1NΣi=1N(12||xi-Wαi||22+λ||αi||1)---(1);]]>

其中，W＝[w₁,w₂,...w_n]∈R^m×n，R代表实数集合，n代表特征提取模板W中基向量的个数；α_i是计算过程中的一个中间变量，其初值通过随机数设定；||·||₁和||·||₂分别代表1范数运算和2范数运算，λ是公式(1)中用于平衡误差和稀疏性的折衷参数；

2)获取自学习特征矩阵：

任意一个图像块x_i的特征向量f_i可通过下式得到：

f_i＝x_i**W (2)；

其中，**代表卷积运算；图像块x_i的特征向量f_i∈Rⁿ，所有图像块对应的特征向量组成图像的自学习特征矩阵：F＝[f₁,f₂...,f_N]；

步骤二：基于自学习特征的矩阵低秩复原：

利用稀疏性，自学习特征矩阵F表示为：

F＝L+S(3)；

其中，L代表低秩矩阵，S代表稀疏矩阵，分别可表示为：

L＝[l₁,l₂,...l_n]∈R^m×N，(4)

S＝[s₁,s₂,...s_n]∈R^m×N(5)；

对于输入图像，L代表特征相关性较强的背景区域，S代表图像的显著区域。可通过矩阵低秩复原来求解低秩矩阵L和稀疏矩阵S，求解如下的目标函数最小化问题：

(L*,S*)=argminL,S(||L||*+β||S||1)s.t.F=L+S---(6);]]>

其中，L^*∈R^n×N是低秩矩阵L的求解结果，S^*∈R^n×N是稀疏矩阵S的求解结果，||·||^*代表核范数运算，β是公式(6)中平衡目标函数第一项和第二项的折衷参数；

步骤三：获取视觉显著性检测结果：

步骤1：计算图像任意像素的视觉显著性：

1)获取任意图像块的视觉显著性：图像块x_i的视觉显著性可通过下式计算：

sri=||Si*||1---(7)]]>

其中，代表求解的稀疏矩阵S^*的第i列，sr_i代表图像块x_i的显著值；

2)获取任意像素的视觉显著性：相邻图像块之间有50％的区域重叠，同一像素点被多个图像块所包含，任意像素点的显著值通过计算所有包含该像素的图像块的显著值的均值得出：

sr(x,y)=1lΣj=1lsrj---(8);]]>

其中，sr_(x,y)代表坐标为(x,y)的像素点的显著值，l代表所有包含像素点(x,y)的图像块的个数，sr_j,j∈[1,l]代表第j个包含像素点(x,y)的图像块的显著值；

求出所有像素的显著值后，以sr_(x,y)作为(x,y)处像素点的灰度值，得到缩放图像的初始视觉显著性图像SM'∈R^ak×ag；

步骤2：后处理：

对缩放图像的初始视觉显著性图像SM'进行高斯模糊，得到模糊后的图像SM_gm∈R^ak×ag：

SM_gm＝SM'**gm(9)

其中，gm代表高斯模板；

将模糊后的图像SM_gm缩放回输入图像的原始尺寸k×g，并将所有像素点的灰度值进行四舍五入取整，得到最终的视觉显著性图像SM∈C^k×g，SM即为输入图像的视觉显著性检测结果。