[发明专利]基于场景分类的模块化处方式图像显著性检测方法

权利要求书

1.基于场景分类的模块化处方式图像显著性检测方法，其特征在于：包括以下步骤：

步骤一、对待测图像用SLIC算法进行超像素分割，提取各待测图过分割后的各图像区域特征；

步骤二、依据提取的各图像区域特征，以图像区域为计算单元改进经典FT模型获取大致的前景区域而生成基于前景先验的FP显著图；以经典GMR模型为基础，以图像边角为查询生成背景先验的bpGMR显著图，通过FP显著图和bpGMR显著图的信息融合生成基本的图像前景定位图；

步骤三、根据图像的FP显著图和bpGMR显著图构成图像场景色调复杂度表示模型；

所述的图像场景色调复杂度表示模型构成方法是，分别计算FP显著图和bpGMR显著图的信息熵；分别以0.5倍、1倍、1.5倍和2倍平均灰度作为阈值计算bpGMR先验图的四个二值图，并分别以和表示；计算和的差图系数以及和的差图系数以1倍平均灰度作为阈值计算FP先验图的二值图计算二值图和的两个相交系数和利用FP先验图信息熵、bpGMR先验图的信息熵、和的差图系数、和的差图系数、二值图和的两个相交系数和构成图像场景色调复杂度表示模型；步骤四、将2p张待测图像分别挑选为简单色调场景和复杂色调场景，分别标定后构成训练样本集，按照图像场景色调复杂度表示模型将训练样本集进行色调复杂度表示，根据不同的判定标准，将简单色调场景进行简单色调场景结构类别分类；

步骤五、罗列在显著性检测过程中可能会使用到的所有的检测模块，按照不同的简单色调场景结构类别和复杂色调场景结构类别选取适用的检测模块构成整体的检测流程对待测图像检测,得到最终的显著图Sal。

2.如权利要求1所述的基于场景分类的模块化处方式图像显著性检测方法，其特征在于：所述的改进经典FT模型为其中，spFT_i表示第i个超像素的spFT显著值，为待测图像所有超像素的Lab颜色特征的均值向量，||*||表示欧氏距离，为待测图像每个超像素在Lab颜色空间的三个颜色均值构成的特征向量。

3.如权利要求1所述的基于场景分类的模块化处方式图像显著性检测方法，其特征在于：所述的差图系数的计算公式是

ρ(bMap₁,bMap₂)＝len(D_b(bMap₁,bMap₂))/(w*h)

其中，w和h表示图像的宽和高，两个二值图bMap₁和bMap₂的差图系数为二者的差图D_b(bMap₁,bMap₂)中显著像素的个数除以图像面积。

4.如权利要求1所述的基于场景分类的模块化处方式图像显著性检测方法，其特征在于：所述的两个相交系数和的计算公式是

其中，∩表示求两个二值图显著部分的相交区域，相交系数为该相交区域面积除以分母二值图显著部分的面积。