[发明专利]图像显著性检测方法、系统、设备及计算机可读存储介质

说明书

本申请公开了一种图像显著性检测方法、系统、设备及计算机可读存储介质，其中，该方法包括利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型；利用目标检测模型检测待检测数据，得到相应的检测结果；基于显著性分割方法对检测结果进行优化，以提高图像显著性检测的精度。可见，本申请提供的上述方法，利用全卷积网络进行图像待训练模型的创建，原因是全卷积网络具有更高效的优点；并基于条件随机场，利用获取的训练样本对上述待训练模型进行迭代训练，尽可能提高检测精度，得到目标图像检测模型；接着，对相应的检测结果利用显著性分割方法进行优化，进一步提高图像显著性检测的精度。

技术领域

本发明涉及图像处理领域，特别涉及图像显著性检测方法、系统、设备及计算机可读存储介质。

背景技术

随着人工智能的不断发展，计算机技术广泛应用于图像处理与分析领域，其中包括图像显著性检测、图像检索、目标定位等。图像显著性检测是指通过一定的方法检测出图像中吸引人注意的较为显著的区域。利用图像显著性检测技术，在对某个特定目标跟踪识别时，可以快速而准确地锁定目标对象的位置。因此，图像显著性检测技术已受到国内外心理学专家和计算机视觉研究者的广泛关注，在图像压缩和传输、高效存储、图像智能检索中也有了广泛应用。

在计算机视觉和图像分析领域，通过图像显著性检测，可以快速而准确地定位感兴趣区域。在存储大量的图像时，可以只存储感兴趣的区域，而不是存储整张图像，可以节省大量的存储空间；在基于图像内容的检索中，可以利用已经检测到的显著区域，对图像进行遍历及匹配，而不需要对整张图像进行匹配，可以提高图像检索速度。

在现有技术中，对图像进行显著性检测的方法分为两类，一类是人工提取特征方法，具体地，人工提取的特征是根据用户的先验知识得到的，很难保证是对测试样本来说最有效的特征，而且检测效率低。因而，开发了第二类技术方法，即随着深度学习的不断发展形成的基于卷积网络的图像显著性检测方法，基于卷积网络的显著性检测方法是让网络通过卷积自动地提取有效的特征，从而进行显著区域检测，因此基于卷积神经网络的图像显著性检测可以得到比人工提取特征方法更高的检测效果。但是基于卷积网络的图像显著性检测方法的检测精度仍然无法满足人们对更高图像显著性检测精度的需求。

因此，如何提高图像显著性检测的精度是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种图像显著性检测方法、系统、设备及计算机可读存储介质，提高图像显著性检测的精度。其具体方案如下：

一种图像显著性检测方法，包括：

利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型；其中，所述训练样本包括图像数据和标注数据；

利用所述目标检测模型检测待检测数据，得到相应的检测结果；

基于显著性分割方法对所述检测结果进行优化，以提高图像显著性检测的精度。

优选的，所述利用获取的训练样本，基于条件随机场，对利用全卷积网络构建的待训练模型进行迭代训练，得到目标检测模型的过程之前还包括：

将所述训练样本相应的图像尺寸由原始尺寸调整为预设尺寸。

优选的，所述利用所述目标检测模型检测待检测数据，得到相应的检测结果的过程之前还包括：

将所述待检测数据相应的图像尺寸由原始尺寸调整为所述预设尺寸。

优选的，所述利用所述目标检测模型检测待检测数据，得到相应的检测结果的过程之后还包括：

将所述检测结果相应的图像尺寸由所述预设尺寸调整至所述检测结果相应的原始尺寸。

优选的，调整图像尺寸的过程包括：