[发明专利]图像显著性检测方法、装置、计算机设备和存储介质

权利要求书

1.一种图像显著性检测方法，包括：

获取待检测图像；

运用超像素分割算法，将所述待检测图像分割成多尺度下的超像素，得到所述待检测图像各尺度的超像素分割图像；

提取各超像素分割图像的特征，得到各超像素分割图像的特征向量；

将各超像素分割图像的特征向量依次输入递归神经网络结构的各神经网络单元，通过各所述神经网络单元检测对应的超像素分割图像，得到各超像素分割图像的显著图检测结果；

融合各尺度的超像素分割图像的显著图检测结果，得到图像的显著图。

2.根据权利要求1所述的方法，其特征在于，所述将各超像素分割图像的特征向量依次输入递归神经网络结构的各神经网络单元，通过各所述神经网络单元检测对应的超像素分割图像，得到各超像素分割图像的显著图检测结果的步骤，包括：

将各超像素分割图像的特征向量按尺度大小的顺序依次输入递归神经网络结构中各时间序列的神经网络单元，其中，第N+1神经网络单元还输入第N神经网络单元的隐含层的输出；

通过各时间序列的神经网络单元，对各超像素分割图像中各超像素的显著性进行检测；

基于各超像素的检测结果，得到所述超像素分割图像的显著图检测结果。

3.根据权利要求2所述的方法，其特征在于，所述通过各时间序列的神经网络单元，对各超像素分割图像中各超像素的显著性进行检测的步骤，包括：

各时间序列的神经网络单元随机选择对应的所述超像素分割图像的一个超像素作为当前超像素，根据当前超像素的特征向量、相邻超像素的特征向量、以及上一时间序列的隐含层的输出，对当前超像素的显著性进行检测；

按照设定的遍历规则，更新所述当前超像素，对各超像素分割图像中所有的超像素的显著性进行检测。

4.根据权利要求1或权利要求2所述的方法，其特征在于，所述融合各尺度的超像素分割图像的显著图检测结果，得到所述图像的显著图的步骤，包括：

将各超像素分割图像的显著图检测结果输入至第一卷积神经网络，得到各超像素分割图像的特征图；

将超像素分割图像的特征图输入至第二卷积神经网络，通过所述第二卷积神经网络融合不同尺度的特征图，得到所述图像的显著图。

5.根据权利要求1或权利要求2所述的方法，其特征在于，所述方法还包括：获取输入的视频；

所述获取待检测图像的步骤，包括：对所述视频进行分帧处理，得到每一视频帧对应的待检测图像；

所述方法，还包括：

根据视频帧的数量，建立对应数量的神经网络结构；

根据视频帧的先后顺序，将各视频帧对应的待检测图像的特征向量输入对应的神经网络结构；其中，所述待检测图像的特征向量包括所述待检测图像的各超像素分割图像的特征向量；

在所述融合各尺度的超像素分割图像的显著图检测结果，得到图像的显著图步骤之后，还包括：

融合各神经网络结构输出的各视频帧对应图像的显著图，得到所述视频的显著图。

6.根据权利要求5所述的方法，其特征在于，各神经网络结构的相同时间序列的神经网络单元依次连接；

所述将各超像素分割图像的特征向量按尺度大小的顺序依次输入所述神经网络结构中各时间序列的神经网络单元，其中，第N+1神经网络单元还输入第N神经网络单元的隐含层的输出的步骤，包括：

同一神经网络结构中，将各超像素分割图像的特征向量按尺度大小的顺序依次输入所述神经网络结构中各时间序列的神经网络单元，其中，第N+1神经网络单元还输入第N神经网络单元的隐含层的输出；

第T+1神经网络结构的第N神经网络单元还输入第T神经网络结构的第N神经网络单元的隐含层的输出。

7.根据权利要求5所述的方法，其特征在于，所述融合各神经网络结构输出的各视频帧对应图像的显著图，得到所述视频的显著图的步骤，包括：

将各神经网络结构输出的各视频帧对应的图像的显著图，输入第三卷积神经网络，通过所述第三卷积神经网络融合各视频帧的显著图，得到所述视频的显著图。