[发明专利]基于马尔可夫吸收模型的显著性区域检测方法

说明书

本发明公开一种基于马尔可夫吸收模型的显著性区域检测方法，本发明的步骤为：(1)生成超像素标签矩阵；(2)生成超像素的特征值；(3)构建超像素映射图像的图模型；(4)筛选转移节点和背景吸收点；(5)生成马尔可夫吸收链模型的转移矩阵；(6)生成马尔可夫吸收模型显著特征图；(7)生成全局特征图；(8)获得特征叠加图；(9)获得显著区域检测图。本发明采用了筛选转移节点和背景吸收点法，获得真正属于背景的超像素作为背景吸收点，提高了显著性检测的准确性。本发明通过计算全局特征图进行特征叠加，可以获得均匀且边界完整的目标。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像目标检测技术领域中的一种基于马尔可夫吸收模型的显著性区域检测方法。本发明可应用于对相近图像的检索、图像中特定目标的检测和图像分割。

背景技术

基于显著性区域的图像检测，能够凸显图像中人视觉关注的最感兴趣区域，在图像分割、图像分类、行人检测等有广泛且有效的应用。近年来，各种各样的基于显著性区域目标检测模型被提出。

显著性区域的检测通常分为两种分析模型：一类是自下向上的基于低级视觉特性的模型，这类模型由数据驱动，处理速度快，另一类是自上向下的基于高级视觉特性的计算模型，这类模型由任务和知识驱动，需要对大量图像数据库进行学习，而且检测结果很大程度上取决于观察的目的性，通用性较差，计算速度也较慢，所以显著性检测多采用自下向上的视觉模型。

重庆大学在其申请的专利文献“基于Manifold Ranking和结合前景背景特征的显著性检测方法”(专利申请号CN201610355027.1，公开号106056590A)中公开了一种显著性区域检测方法。该方法实施步骤是：首先获得每个图像数据中的超像素部分的显著值，得到该图像数据的初步显著图，对其进行二值化获得图像数据的前景特征的前景种子和背景特征的背景种子，并对前景种子和背景种子作为最终查询节点进行流形排序，根据排序值得到图像数据最终的显著图。该方法虽然可以均匀地突出显著区域，但是仍然存在的不足之处是：该方法两个阶段的计算方法都过多依赖于背景和前景种子的选取，在突出显著区域的同时，背景种子中包含目标的错误区域有可能被选取，降低了显著性检测的准确率。

Itti等人在其发表的论文“Exploiting Local and Global Patch Rarities forSalienc y Detection”(Computer Vision and Pattern Recognition.IEEE,2012:478-485.)中公开了一种基于局部和全局patch的显著区域检测方法，该方法的实施步骤是：通过对局部和全局显著性的计算，对国际照明委员会颜色-对比CIELAB每个通道得到的两个显著图进行归一化并相乘，然后采用多通道显著性融合的方法进行融合，归一化后计算这些显著图的均值，再用高斯核卷积进行图像增强，得到平滑结果作为显著性图。虽然文章结果中部分边缘显著性突出，但是存在的不足是：显著性目标分布不均，而且文章应用了字典学习和稀疏编码需要生成过多的特征和显著图，计算量大，算法复杂度高。

发明内容

本发明针对上述现有技术的不足，提出一种基于马尔可夫吸收模型的显著性区域检测方法，通过对输入图像进行超像素分割，获得超像素映射图像，针对超像素映射图像中的超像素，获得图模型，通过对图模型中的节点之间的相似度进行更新计算，检测出其他具有显著性的超像素，得到的显著性图像目标均匀，准确率高。

实现本发明的具体思路是：首先采用超像素分割法，将待检测图像划分成分割系数为K的超像素映射图像，并采用阈值法，对超像素映射图像中的转移节点和背景吸收点进行筛选，获得有较大概率的属于真正背景的超像素作为背景吸收点，其他的作为转移节点。将超像素映射图像中的超像素作为节点构造图模型，通过对节点与邻接之间的相似度进行计算，获得关联矩阵，计算从每个转移节点到背景吸收节点的被吸收的时间作为马尔可夫吸收模型的显著值。对超像素映射图像中的超像素进行全局空间距离计算，获得全局特征图。最后将马尔可夫吸收模型的显著值与全局特征图进行特征融合和归一化操作，获得最终的显著区域检测图。