[发明专利]基于自适应遗传方法的显著性检测方法

说明书

技术领域

本发明涉及图像数据处理领域，尤其涉及一种自适应遗传方法的显著性检测方法。

背景技术

近些年来,人们越来越多的开始关注计算机视觉这一重要的领域,大量的研究人员开始寻找一个行之有效的方法来描述图像中的重要信息。显著性检测的目的就是运用一种有效的方法找出图像中比较突出的部分。目前计算机视觉领域的许多研究中都已经将显著性检测作为其预处理步骤,如图像压缩,图像分割,目标定位,图像分类等。

通常,将显著性检测方法按照信息处理的方式进行划分,可以大致分为两类,一类是自上而下的方法,一类是自下而上的方法。自上而下的方法，需要先知道所检测目标的基本属性,并且进行监督训练,因此大多数自上而下的方法可以取得较高的准确率,但这类方法往往会忽略显著性目标的细节信息。相反,自下而上的方法往往是从底层的视觉信息出发,比如借助颜色等特征来构建显著图模型,而不需要某一特定的目标特征。因而该类方法可以很好地适应不同背景的图像,也能够检测出原始图像的细节信息。在自下而上的方法中,利用特征差异的方法检测目标在显著性检测领域中应用较多,其中大多数方法选择以底层信息(颜色,强度,直方图等)作为线索。总体上这些方法所得到的效果都不错,但当目标颜色与背景颜色相似时,找出来的区域就不是很准确。另外,中心先验原则也在自下而上的方法中应用广泛,中心先验原则认为人们在拍摄图片时,往往会将重要的物体放置在图像的中心,因此大多数的显著性目标处于图像的中心位置或中心位置附近,故先验地调整图像中心位置像素点的显著性值。尽管中心先验可以预测大多数目标,但依然存在一些图像,其显著性目标不在中心,进而使得该类方法的结果不准确。

发明内容

本发明要解决的技术问题是：设计一种克服显著性目标不在中心，或是图像的目标颜色和背景颜色相似时，图像显著性目标检测不够准确的问题。

为了解决上述技术问题，本发明提出一种基于自适应遗传方法的显著性检测方法，其特征在于：

步骤1：根据图像颜色差异分析，建立图像凸包；利用超像素分割方法将输入图像分割成N个超像素,并用超像素代替像素作为显著性检测方法的基本操作单位；

步骤2：利用自适应遗传方法来找出步骤1得到的凸包内显著性的目标并构造遗传先验图；

步骤3：在步骤1得到的凸包中通过颜色和位置构建中心先验模型；

步骤4：将步骤2的遗传先验图与步骤3的中心先验模型融合成先验图；

步骤5：将以凸包为划分,把凸包内部的似然概率作为显著性目标的似然概率引入贝叶斯优化模型来优化步骤4得到的先验图的先验概率，以得到最终的显著图。

作为一种优选：步骤1中的图像颜色差异分析是通过采用基于图像灰度的方法：计算点的曲率及梯度来检测角点，并以这些角点围成一块区域作为图像凸包，所述的角点检测算法是Harris角点检测算法。

作为一种优选：步骤2中超像素分割方法是SLIC方法。

作为一种优选：步骤2中的自适应选择函数是公式(1):

f＝n₁n₂(c₁-c₂)² (1)

其中：n₁与n₂分别为凸包内显著性目标区域超像素个数和背景区域超像素个数，c₁与c₂分别为上述两区域内的超像素的平均颜色特征值；

交叉算子选用单点交叉，先将解空间中的染色体两两配对,在染色体中以交叉概率p_c设定一个交叉点,实行交叉时,使得该点前的两个个体的部分结构进行互换,并生成新个体，交叉概率p_c求解公式(2)如下：

对以变异概率p_m挑选解空间的染色体上的基因并进行变异，变异概率p_m的求解公式(3)如下：

上述公式(2)和(3)中：f_max为种群最大适应度；为平均适应度；f为变异个体适应度；f'为交叉两个体适应度的较大值；k₁～k₄为[0,1]内常数,设置k₁＝k₃＝1.0,k₂＝k₄＝0.5。