[发明专利]一种基于实际应用的显著性检测元评估方法

权利要求书

1.一种基于实际应用的显著性检测元评估方法，其特征在于，包括以下步骤：

步骤S1：将图像检索数据集中每幅图像作为输入图像，提取输入图像的深度卷积特征，并且分别以T种显著性检测算法生成的显著性图作为权重计算输入图像的图像描述符，利用基于深度卷积特征的图像检索方法得到T种显著性检测算法对应的T个检索序列集合；

步骤S2：分别计算图像检索数据集提供的所有图像的标准检索序列集合与步骤S1得到的所有图像的T个检索序列集合之间的平均精度值，得到T个平均精度值，根据平均精度值高低将所述T种显著性检测算法降序排列，得到图像检索应用对T种显著性检测算法的评估排序序列

步骤S3：计算显著性检测评估方法b对T种显著性检测算法的评估值，根据评估值高低将所述T种显著性检测算法降序排序，得到显著性检测评估方法b对T种显著性检测算法的评估排序序列X_b；

步骤S4：计算序列与X_b的相关性Y_b，以此作为显著性检测评估方法b的评估值。

2.根据权利要求1所述的一种基于实际应用的显著性检测元评估方法，其特征在于，所述步骤S1中，将图像检索数据集中每幅图像作为输入图像，提取输入图像的深度卷积特征，并且以第t种显著性检测算法生成的显著性图作为权重计算输入图像的图像描述符，利用基于深度卷积特征的图像检索方法得到检索序列集合，包括以下步骤：

步骤S11：将图像检索数据集中第i幅图像作为输入图像I_i，首先，获取输入图像I_i的深度卷积特征f和显著性检测算法生成的显著性图s，深度卷积特征f由图像分类深度卷积神经网络的最后一层卷积层产生，输入图像I_i输出D₁维W×H的特征；然后对这些深度卷积特征进行显著性加权聚合，公式如下：

其中，表示输入图像I_i的深度卷积特征显著性加权聚合值，W表示深度卷积特征的宽度，H表示深度卷积特征的长度，s(x,y)表示输入图像I_i中坐标为(x,y)的点处的显著性，f(x,y)表示输入图像I_i中坐标为(x,y)的点处的深度卷积特征；

步骤S12：对进行L2规范化，公式如下：

将经过PCA降维和PCA白化处理至D₂维得到再对进行L2规范化得到即为输入图像I_i的显著性加权图像描述符；依次取图像检索数据集中的其它输入图像，重复步骤S11-S12，计算图像检索数据集中所有图像的显著性加权图像描述符；

步骤S13：计算输入图像I_i与图像检索数据集中其它任意输入图像I_j之间的相似性，计算公式为：

其中，sim(I_i,I_j)表示输入图像I_i与输入图像I_j的相似性值，<.>表示点积运算；sim(I_i,I_j)越大，说明两图像越相似；

步骤S14：将输入图像I_i与图像检索数据集中其它任意输入图像I_j之间的相似性值{sim(I_i,I_j)}降序排列，得到输入图像I_i的检索序列q_i：

q_i＝{l₁,l₂,…,l_n,…,l_N-1},i＝1,2,…,N

其中，l_n表示输入图像I_i的检索序列中第n张图像的编号，N表示图像检索数据集中图像总数；依次取图像检索数据集中的其它输入图像，重复步骤S13-S14，得到检索序列集合L＝{q₁,q₂,…,q_N}；为了区分使用不同的显著性图作为加权图得到的图像检索结果，采用L_t＝{q_t1,q_t2,…,q_tN}表示使用第t种显著性检测算法生成的显著性图作为加权图得到的检索序列集合。