[发明专利]一种融合局部和全局稀疏的图像显著性检测方法

说明书

本发明公开了一种融合局部和全局稀疏的图像显著性检测方法，该方法首先对原始图像进行局部稀疏表示，即：将原始图像分割成若干图像块，针对每一个图像块，选取其周围的若干图像块生成过完备字典，基于该字典对图像块进行稀疏重构，最终得到原始图像的初始局部显著图。其次，对原始图像进行全局稀疏表示，与局部稀疏表示过程类似，不同的是针对每一个图像块所生成的字典来源于原始图像四周边界处的图像块，这样就可以得到初始全局显著图。最后，采用自适应的方式融合局部和全局显著图，得到原始图像最终显著图。实验结果验证了本发明方法的有效性。

技术领域

本发明涉及一种融合局部和全局稀疏的图像显著性检测方法，属于计算机视觉中显著性检测技术领域。

背景技术

随着图像信息的大量生成和发展，人们对计算机处理图像的能力提出了更高的要求。在计算机视觉识别领域，显著性检测的研究是不可忽视的一个分支。图像显著性检测就是提取图片中最为重要的、人们最感兴趣的部分，保证这一部分的信息不扭曲失真。而如何检测图像的显著性区域，迄今为止已经有众多经典算法提出。

在已有算法中，基于局部对比度的算法一般不能很好的检测显著目标内部信息，更加关注图像的边缘。而基于全局对比度的显著性检测算法，对于背景的抑制效果不是非常理想，并且有时会丢失一部分的显著内容。而现有的融合两种算法的模型，如CA检测模型，运行时间较长。为此，需要研究一种新的显著性检测算法，将局部对比和全局对比的显著性检测模型融合起来，获得更好的检测效果的显著图。

发明内容

本发明所要解决的技术问题是：提供一种融合局部和全局稀疏的图像显著性检测方法，将稀疏表示运用到局部对比和全局对比的显著性检测模型当中，并采用自适应融合算法，生成检测精确、运行效率高的显著性检测方法。

本发明为解决上述技术问题采用以下技术方案：

一种融合局部和全局稀疏的图像显著性检测方法，包括如下步骤：

步骤1，获取原始图像，并将原始图像分割成若干个大小相同、互不重叠的图像块，将图像块按从左到右、从上到下的顺序依次编号并标记；

步骤2，将所有图像块重新整合成矩阵形式并按照编号进行排序，形成一个矩阵B＝[b₁,b₂,…,b_N]，其中，b_i(i＝1,2,…,N)为第i个图像块纵向表示的列向量，N为所有图像块的数量；

步骤3，构造用于局部稀疏表示的稀疏字典，对任一图像块对应的列向量b_i，选取该列向量前n列和后n列共2n列的列向量构造该图像块对应的稀疏字典D_i；对第1至第n个图像块对应的列向量，选取当前列向量后2n列的列向量构造该图像块对应的稀疏字典；对第N-(n-1)至第N个图像块对应的列向量，选取当前列向量前2n列的列向量构造该图像块对应的稀疏字典，n为正整数；

步骤4，构造用于全局稀疏表示的稀疏字典，选取原始图像上下左右四个边界图像块对应的列向量构造所有图像块对应的稀疏字典；

步骤5，利用OMP算法分别求解局部稀疏表示、全局稀疏表示的稀疏系数；

步骤6，利用局部稀疏表示的稀疏系数重构每个图像块，得到每个图像块对应的重构误差列向量，将所有图像块形成的重构误差矩阵恢复成图像，并进行高斯滤波得到局部初始显著图；

步骤7，利用全局稀疏表示的稀疏系数重构每个图像块，得到每个图像块对应的重构误差列向量，将所有图像块形成的重构误差矩阵恢复成图像，并进行高斯滤波得到全局初始显著图；

步骤8，将局部初始显著图、全局初始显著图均转换为灰度图，并归一化显著值，采用自适应融合算法融合局部初始显著图和全局初始显著图，得到最终的显著图。