[发明专利]基于区域增长和眼动模型的全景图像显著性检测方法

权利要求书

1.一种基于区域增长和眼动模型的全景图像显著性检测方法，使用区域生长和固定预测模型，实现全景图像的自动突出物体检测；包括如下步骤：

1)针对原始图像进行基于区域增长的检测，通过区域增长算法粗略提取与其邻居相比具有显著不同密度的区域，得到密度重大差异区域，即突出区域；

2)通过眼动固定点预测，得到突出区域的显著性值；包括如下步骤：

21)使用眼固定模型进行分析，得到显著性区域；

22)采用频域中的固定预测模型快速扫描图像，并粗略地定位吸引人们关注的地方；

23)采用签名模型，通过计算重构图像表示X的DCT变换；X为变换域中的混合信号；签名模型被定义为IS(X)，表示为式1：

IS(X)＝sign(DCT(X)) (式1)

通过平滑重建图像形成显著性图像S_m，表示为式2：

其中，g表示高斯内核；

24)将提取出的突出区域与图像签名产生的显著性图像S_m进行组合，通过对其中所有像素的显著性进行平均，分配所提取出的突出区域的显著性值；

3)进行最大值归一化后求和；

4)采用优化测地线方法，使得更均匀地增强突出区域，具体步骤如下：

首先根据线性频谱聚类方法将输入图像分割成多个超像素，并通过对其中所有像素的后验概率值Sp进行平均来计算每个超像素的后验概率；对于第j个超像素，如果其后验概率被标记为S(j)，则第q个超像素的显著值通过测地距离被优化如式4：

其中，J是超像素的总数；w_qj为第q个超像素和第j个超像素之间测地距离的权重值；

已有一个无向的权重图连接所有相邻的超像素(ak，ak+1)，该无向图的权重dc(ak，ak+1)分配为其显著性值之间的欧几里得距离；将两者之间的测地距离超像素dg(p，i)定义为累积边图上最短路径的权重，表示为式5：

然后，将权重δ_pi定义为式6：

式6中，δ_pi为第p个超像素和第i个超像素之间测地距离的权重值；σ_c为d_c的偏差；d_g(p,j)为像素p和j之间的测地距离；

经过上述步骤，即检测得到全景图像的显著性。

2.如权利要求1所述全景图像显著性检测方法，其特征是，步骤1)中，密度重大差异区域包括：过密度的区域、密度不足的区域、由山脊或沟渠包围的地区；提取过程包括如下步骤：

11)开始时，将原始图像分割成M*N个小区域，并转换成密度矩阵，其中每个单位(i，j)表示第(i，j)个小区域内的对象的计数；对原始图像经过密度矩阵的处理，得到强度图像；

12)基于密度矩阵，应用图像处理方法进行图像增强，再应用基于区域增长的算法来提取显著不同的区域，得到明显不同区域的精确形状，仅输出粗糙的矩形边界框。

3.如权利要求2所述全景图像显著性检测方法，其特征是，将原始彩色图像转换为灰度图像，然后将对象提案算法应用于灰度图像，所得到的图像看作为密度图；采用基于区域增长的算法提取突出区域的过程中，应用形态学操作方法消除噪声，并且连接彼此靠近的单独的同质区域，以提高密度图像；采用优化方法排除不良结果，以排除不同的背景地区；采用种子选择方法，在实施过程中，自动种子选择和迭代提供阈值；阈值选择选用自适应阈值处理。

4.如权利要求1所述全景图像显著性检测方法，其特征是，步骤24)中，获得突出区域的显著性值，具体将所得的显著性图表示为S_p，对于初步认定为显著性的区域p，将其显著性值定义为式3：

其中，A(p)表示第p个区域中的像素数。

5.如权利要求1所述全景图像显著性检测方法，其特征是，步骤3)进行最大值归一化，具体采用Maxima归一化，在Maxima归一化之后进行求和。