[发明专利]一种基于实际应用的显著性检测元评估方法

说明书

本发明涉及一种基于实际应用的显著性检测元评估方法，包括以下步骤：1、提取图像检索数据集中每幅图像的深度卷积特征，利用基于深度卷积特征的图像检索方法计算得到T种显著性检测算法对应的T个检索序列集合；2、分别计算图像检索数据集中所有图像的标准检索序列集合与T个检索序列集合之间的平均精度值，据此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；3、计算显著性检测评估方法对T种显著性检测算法的评估值，据此降序排序得到显著性检测评估方法对T种显著性检测算法的评估排序序列；4、计算两序列的相关性，以此作为显著性检测评估方法的评估值。该方法有利于为实际应用选出合适有效的显著性检测评估方法。

技术领域

本发明涉及图像和视频处理以及计算机视觉技术领域，特别是一种基于实际应用的显著性检测元评估方法。

背景技术

显著性检测作为图像预处理步骤降低计算复杂度，在计算机视觉领域越来越普及，被应用于很多视觉工作，如视觉跟踪、目标重定位、图像检索和图像分割等等。不同的显著性检测算法对这些应用的性能有不同的影响。因此，有必要基于实际应用选择显著性检测评估方法，从而帮助选择符合实际应用的显著性检测算法。

显著性检测算法通常作为各种应用的预处理步骤，其在实际应用中的性能是至关重要的。但是当前显著性检测评估方法有若干缺点，导致其无法正确评估显著性检测算法在实际应用中的应用性能。首先，对同一显著性检测算法评估时，不同显著性检测评估方法往往会得到不一致的评估结果。其次，现有的显著性检测评估方法大多是基于理论的方法，难以考虑到显著性检测算法在实际应用中的性能。基于实际应用选出有效的显著性检测评估方法可以从实际应用角度选择合适的显著性检测算法，从而解决显著性检测评估方法对不同算法评估结果不一致问题。图像检索是显著性检测算法中应用最为广泛的应用之一，利用图像显著性的图像检索方法不断被提出。

发明内容

本发明的目的在于提供一种基于实际应用的显著性检测元评估方法，该方法有利于为实际应用选出合适有效的显著性检测评估方法。

为实现上述目的，本发明的技术方案是：一种基于实际应用的显著性检测元评估方法，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。

进一步地，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：