[发明专利]一种改进的基于超像素的图像显著性检测方法

说明书

本发明公开了一种改进的基于超像素的图像显著性检测方法，该方法首先采用简单线性迭代聚类的超像素分割算法将原始图像分割为具有颜色和纹理一致性的超像素；第二，针对图像超像素分割结果，基于稀疏表示理论计算原始图像初始显著图；第三，针对图像超像素分割结果，基于中心‑边缘思想计算原始图像中心‑边缘权重图；第四，针对图像超像素分割结果，基于归一化割理论对其进行聚类，得到若干聚类区域；第五，基于上述结果，计算原始图像最终显著图。本发明与传统的基于超像素的图像显著性检测方法相比，解决了显著性对象边界模糊、内部常被抑制等问题，能够更加均匀地突出显著对象，有效地抑制背景，获得更好的检测结果。

技术领域

本发明涉及一种图像视觉显著性检测方法，特别是涉及一种改进的基于超像素的图像显著性检测方法，属于计算机视觉技术领域。

背景技术

随着信息技术的不断发展，人们拥有大量的数据资源。其中，图像资源因其直观性，出现了前所未有的增长速度，但是随之而来的信息冗余问题也成为了图像处理的一大难题。视觉显著性是人类视觉中非常重要的一部分，它通过过滤人眼所及之处的冗余信息，突出人们最感兴趣(显著性)的目标，从而减少后续信息的处理量。目前，图像显著性检测在图像视频压缩、图像检索、目标检测和识别等领域有着广泛的应用。

根据图像所要检测的目标是否基于任务驱动，可以将显著性检测分为两大类：无监督的自下而上(bottom-up)方法和有监督的自上而下(top-down)方法。近几年的研究更加倾向于不需要基于任何任务，由数据本身驱动的自下而上的显著性检测方法。

在自下而上方法的研究领域中，有很多经典的方法相继被提出，如早先的Itti算法，GBVS算法，SR算法，基于稀疏表示的算法等。其中，Itti、GBVS和SR这些经典算法实现起来比较容易，也能够产生较为清晰的显著性图，但是他们对诸如图像的边缘或噪声等高频部分，表现出了很大的敏感性，所以显著图像总是更倾向于突显出目标边界轮廓，而目标的内部往往被抑制。基于稀疏表示的算法可以通过重构误差来定义图像显著性，但是这种方法不可避免的丢失了图像内在的一部分相关的信息，从而使检测出的显著目标不准确。

发明内容

本发明所要解决的技术问题是：提供一种改进的基于超像素的图像显著性检测方法，能够均匀突出显著对象，清晰保留显著区域的边缘信息，并较好的抑制背景的图像视觉显著性检测方法。

本发明为解决上述技术问题采用以下技术方案：

一种改进的基于超像素的图像显著性检测方法，包括如下步骤：

步骤1，利用简单线性迭代聚类方法对原始图像进行超像素分割，得到超像素分割结果；

步骤2，针对超像素分割结果，基于稀疏编码模型计算超像素分割结果的重构误差，根据重构误差得到原始图像的初始显著图；

步骤3，针对超像素分割结果，基于中心-边缘思想对超像素分割结果进行权重赋值，得到原始图像的中心-边缘权重图；

步骤4，针对超像素分割结果，利用归一化割方法进行聚类，得到超像素归一化聚类结果；

步骤5，将步骤2得到的初始显著图与步骤3得到的中心-边缘权重图，按比例1:1进行加权融合，针对步骤4得到的超像素归一化聚类结果，对每一个聚类区域，计算该区域包含的所有超像素融合结果的平均值，从而得到原始图像的显著图。

作为本发明的一种优选方案，步骤2所述超像素分割结果的重构误差计算公式为：

其中，e_i表示第i个超像素y_i的重构误差，D为Y＝[y₁,y₂,…,y_N]的稀疏表示的重构字典，N为超像素的个数，x_i为y_i在字典D下的稀疏编码系数。