[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

说明书

技术领域

本发明涉及视觉显著性检测的技术领域，特别是指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。

背景技术

视觉显著性检测的实质是计算图像中各个部分吸引人们视觉注意的程度。近些年，随着大数据时代的到来，人们对图像等数据的需求不断增加，快速并准备地从中获取更多有效信息显得十分有必要。通过视觉显著性检测能够迅速定位输入图像中较为吸引人注意的区域，能够显著减少海量输入图像的数据，以不同的次序和力度对各个场景区域进行选择性加工，从而避免计算浪费，同时又降低了分析难度。

在视觉显著性的检测过程中，特征提取是其中的一个重要环节，对最终输出的显著图像有较大影响。现有方法的特征提取环节大部分都是基于特定的策略，可大致分为两类：1)基于手工设定的特征提取模板；2)基于数据驱动的特征提取模板。第一类特征提取方法在保证检测出输入图像的特征完整性的同时，通常会使用多个特征提取算子，但是这些特征算子之间存在大量的信息冗余，造成了运算资源的浪费。第二类特征提取方法虽然不是手工设定而是根据训练样本学习得到的，但是由于受训练样本范围的限制，学习得到的特征提取模板不可能对任何图像都有效，存在适应性的问题。

发明内容

为了解决上述技术问题，本发明提出基于自学习特征和矩阵低秩复原的视觉显著性检测方法，其中，自学习特征提取的方法不仅适用于各类型的输入图像，同时也不受训练样本的限制，从而显著提高了视觉显著性检测的准确率。

本发明的思想在于：1)根据输入图像的原始数据自适应的学习出一组特征提取模板，利用该特征提取模板对输入图像进行卷积，得出输入图像的特征矩阵；2)对特征矩阵进行低秩矩阵复原，分解出一个低秩矩阵和一个稀疏矩阵，其中稀疏矩阵代表输入图像的显著区域；3)通过求解稀疏矩阵每列的1范数和高斯模糊等后处理方法，得到输入图像的视觉显著性检测结果。

本发明的技术方案是：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：

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(6)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联合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：