[发明专利]一种图像显著性目标检测的方法

说明书

本发明公开了一种图像显著性目标检测的方法，其包括以下步骤：将目标图像进行图像分割空间转换；对空间中的图像进行像素显著性值计算，得到显著性图；将得到的显著性图与得到的分割图组结合并得到显著性分割图；将该显著性分割图的灰度值设置为255或0，得到整个图像的显著性目标区域二值图；将显著性目标二值图进行形态学开操作后进行边缘检测；将空间中的图像进行超像素分割后与具有最小外接矩形的图像相结合后进行相似度检测，得到背景种子和前景种子；分割出对应的显著性目标，得到图像中每个具有全分辨率的显著性目标，完成图像显著性目标检测。本发明能够准确地分割出显著性目标的背景和前景，具有精度高、效果好等特点。

技术领域

本发明涉及计算机图像处理领域，具体涉及一种图像显著性目标检测的方法。

背景技术

显著性目标检测是计算机图像处理中的基本操作，显著性目标检测是指自动提取未知场景中符合人类视觉习惯的兴趣目标的方法。目前对于目标显著性的分析计算已经成为计算机视觉领域研究的一个热点，它被广泛应用到各个领域，如图像分割，目标识别，图像压缩，及图像检索等等。计算机在进行相关图像处理操作前可以采用显著性检测技术过滤掉无关信息，从而大大减小图像处理的工作，提高效率。

现有的显著性目标检测方法主要包括基于视觉注意模型、背景先验、中心先验和对比度。

(1)视觉注意模型是一种用计算机来模拟人类视觉注意力系统的模型，在一幅图像中提取人眼所能观察到的引人注意的检点，相对于计算机而言，就是该图像的显著性，比如Itti注意力模型，它是1998年由Itti等人在《Computational Modeling of VisualAttention》中提出的，是比较经典的视觉注意力模型之一。该模型的基本思想是在图像中通过线性滤波提取颜色特征、亮度特征和方向特征，通过高斯金字塔、中央周边操作算子和归一化处理后，形成12张颜色特征地图、6张亮度特征地图和24张方向特征地图，将这些特征地图结合和归一化处理后，分别形成颜色、亮度、方向关注图，三个特征的关注图线性融合生成显著性图，再通过两层的赢者取胜神经网络，得到显著性区域，最后通过返回抑制机制，抑制当前显著区域，转而寻找下一个显著区域。

(2)基于对比度的方法又分为全局对比和局部对比两种方法。全局对比的思想主要通过计算当前超像素或像素与图像中其他超像素或像素的颜色、纹理、深度等特征差异来确定显著值；局部对比的思想主要通过计算当前超像素或像素与图像中相邻超像素或像素的颜色、纹理、深度等特征差异来确定显著值。比如2014年Peng等人《RGBD SalientObject Detection:A Benchmark and Algorithms》采用三层显著检测框架，通过全局对比方法，融合颜色、深度、位置等特征信息进行显著计算。

(3)显著检测模型采用背景先验知识进行显著性计算，比如2013年Yang等人《Saliency Detection via Graph-Based Manifold Ranking》假设RGB彩色图像的四条边为背景，应用Manifold Ranking(流形排序算法)排序所有超像素节点的相关性完成显著性计算。

(4)采用中心先验进行显著性计算，比如2015年Cheng等人《Global ContrastBased Salient Region Detection》假设图像的中心超像素为显著目标超像素，通过计算其他超像素与该中心超像素的颜色和空间差异值来进行显著性计算。

上述方法中，基于视觉注意模型的显著性目标检测方法检测的结果不具有全分辨率，基于对比度的显著性目标检测方法发不适用于复杂的环境，基于背景先验知识的显著性目标检测方法检测的结果包含较多噪声，基于中心先验的显著性目标检测方法不适用于显著性目标不在图像中心的情况。

发明内容

针对现有技术中的上述不足，本发明提供的一种图像显著性目标检测的方法解决了现有显著性目标检测方法检测效果差的问题。